Master Recherche Génie Industriel Spécialité...

Master Recherche Génie Industriel

Spécialité OSIL

Promotion 2007/2008

Mémoire de projet recherche

GPA et GPA Mutualisée

dans la grande distribution

Soutenu le 30 septembre 2008 par Soutenu le 30 septembre 2008 par Soutenu le 30 septembre 2008 par Soutenu le 30 septembre 2008 par RobertoRobertoRobertoRoberto GISOGISOGISOGISO

Jury: Asma GHAFFARI

Vincent MOUSSEAU

Chengbin CHU

Evren SAHIN

Régis LEBOUCHER

Remerciements

Je remercie Xavier Derycke, Directeur Flux du Groupe Carrefour, de m’avoir accueilli

durant ma période de stage.

Je tiens à remercier plus particulièrement Règis Leboucher, responsable de la Relation

Fournisseurs, et l'ensemble de l'équipe de la Direction Supply Chain, pour leur accueil

bienveillant et leurs conseils avisés, et cela malgré leur emploi du temps chargé.

Je remercie également Evren Sahin, pour sa présence et son soutien, ainsi que Yves

Dallery et tout le personnel du laboratoire de Génie Industriel, pour leur aide tout au long

de mon expérience à l’Ecole Centrale.

Résumé

Ce mémoire a pour objectif l’évaluation des bénéfices de la Gestion Partagée des

Approvisionnements (« GPA ») et de la Gestion Mutualisée des Approvisionnements

(« GMA ») par rapport à la gestion traditionnelle de la supply chain. Un modèle de

simulation d’une supply chain à deux étages, avec trois fournisseurs et un distributeur, a

été construit en considérant les caractéristiques et les contraintes rencontrées dans le

secteur de la grande distribution. La GPA présente des avantages non négligeables, en

terme de niveau de stock, de service et d’utilisation de la capacité de transport, par

rapport à l’approvisionnement classique; la GMA, en mutualisant le transport et/ou le

centre de distribution entre plusieurs fournisseurs, donne un avantage supplémentaire à

ces performances.

Mots clés: GPA, GPA mutualisée, GMA, mutualisation, simulation, grande distribution

Abstract

This dissertation aims to evaluate the advantages of Vendor Managed Inventory

(« VMI ») and Pooled VMI in comparison to a traditional management of the supply

chain. A two-echelon supply chain, with three suppliers and one retailer, has been built

considering the features and the constraints founded in retailing sector. VMI shows

having non negligible advantages, in terms of stock level, service and transport capacity

utilization, compared to traditional replenishment ; pooled VMI, in sharing transport

and/or distribution centre between many suppliers, gives an additional advantage on this

performances.

Key words: VMI, CMI, pooled VMI, pooling, simulation, retailing

Table des matières

1. INTRODUCTION 1

1.1. Définition de GPA 1

1.2. Le Groupe Carrefour 3 1.2.1. La fonction Supply Chain chez Carrefour 4

2. ETAT DE L’ART SUR LA GPA ET SES PERSPECTIVES 7

2.1. Etat de l’art industriel 7 2.1.1. Les conditions nécessaires pour obtenir des bons résultats 8 2.1.2. Secteurs d’application et business cases 8 2.1.3. Avantages et inconvénients 10 2.1.4. Evolutions : la GMA (Gestion Mutualisée des Approvisionnements) ou GPA mutualisée 11

2.2. Etat de l’art scientifique 15 2.2.1. La GPA 15 2.2.2. La GMA dans la littérature scientifique 29

3. LA GPA CHEZ CARREFOUR 35

3.1. Etat des lieux 35 3.1.1. Pratiques de suivi du processus 38 3.1.2. Les pratiques chez les fournisseurs 39 3.1.3. Données quantitatives 42 3.1.4. Les perspectives : la GMA 44

4. LE MODELE DE SIMULATION 45

4.1. Introduction 45

4.2. Le modèle 45 4.2.1. La supply chain avec GPA 49 4.2.2. La supply chain avec GMA 50

4.3. Les scénarios 54

4.4. Les résultats 56 4.4.2. Analyse avec la méthode ANOVA 59

4.5. Comparaison globale 66

5. CONCLUSIONS ET PERSPECTIVES 69

BIBLIOGRAPHIE 71

2

ANNEXES I

1.1. ANOVA pour la comparaison SCT-GPA I 1.1.1. ANOVA pour la couverture de stock I 1.1.2. ANOVA pour le fill rate « Vendor to retailer » II 1.1.3. ANOVA pour le fill rate « Retailer to Store » IV 1.1.4. ANOVA pour le taux de remplissage camion V

1.2. ANOVA pour la comparaison GPA-GMA VII 1.2.1. ANOVA pour la couverture de stock VII 1.2.2. ANOVA pour le fill rate « Retailer to Store » VIII 1.2.3. ANOVA pour le taux de remplissage camion X

Liste des illustrations

Figure 1: schéma simplifié d’approvisionnement traditionnel ....................................................................... 2

Figure 2 : schéma simplifié d’approvisionnement en GPA sur entrepôt........................................................ 3

Figure 3: présence du Groupe Carrefour dans le monde................................................................................ 4

Figure 4: organisation de Direction Supply Chain de Carrefour.................................................................... 5

Figure 5: GPA Mutualisée ou GMA avec stock co-localisé (ECR France, 2002) ....................................... 12

Figure 6: GPA Mutualisée ou GMA avec multipick (ECR France, 2002)................................................... 13

Figure 7: nombre de publications sous les mots clés « collaboration supply chain » (http://isiknowledge.com/).................................................................................................................. 15

Figure 8: résultats du modèle de simulation en [26].................................................................................... 23

Figure 9: cartographie des processus collaboratifs (Carrefour).................................................................... 35

Figure 10: flux d’information et flux physique dans une collaboration CMI............................................... 36

Figure 11: flux d’information et flux physique dans une collaboration VMI .............................................. 37

Figure 12: exemple de fonctionnement de politique (T, Sk) multi-produits................................................. 40

Figure 13: évolution de stock et niveau de service pour trois groupes de fournisseurs en GPA.................. 42

Figure 14: évolution de stock et niveau de service en moyenne pour 22 fournisseurs en GPA................... 43

Figure 15 : modèle de supply chain traditionnelle ....................................................................................... 46

Figure 16: le modèle Arena de la supply chain traditionnelle...................................................................... 46

Figure 17: les indicateurs de performance ................................................................................................... 48

Figure 18 : modèle de supply chain avec GPA ............................................................................................ 49

Figure 19: le modèle Arena de la GPA ........................................................................................................ 49

Figure 20 : modélisation des flux physiques et d’information en GPA ....................................................... 50

Figure 21 : modèle de supply chain avec GMA........................................................................................... 51

Figure 22: distribution des valeurs de fill rate.............................................................................................. 53

Figure 23: distribution des valeurs de couverture de stock .......................................................................... 53

Figure 24: moyenne mobile des valeurs de fill rate ..................................................................................... 57

Figure 25: les effets principaux pour la couverture de stock (SCT vs GPA) ............................................... 60

Figure 26: les effets principaux pour le fill rate « vendor to retailer » (SCT vs GPA) ................................ 61

Figure 27: les effets principaux pour le fill rate « retailer to store » (SCT vs GPA).................................... 62

Figure 28: les effets principaux pour l’utilisation des camions (SCT vs GPA) ........................................... 63

Figure 29: les effets principaux pour la couverture de stock (GPA vs GMA) ............................................. 64

Figure 30: les effets principaux pour le fill rate « retailer to store » (GPA vs GMA).................................. 65

Figure 31: les effets principaux pour l’utilisation des camions (GPA vs GMA) ......................................... 65

Figure 32 : résultats globaux de la simulation.............................................................................................. 66

Liste des tableaux

Tableau 1: avantages et inconvénients de la GPA ....................................................................................... 10

Tableau 2: niveaux de demande moyenne pour les fournisseurs ................................................................. 54

Tableau 3: facteurs et niveaux utilisées pour les scénarios .......................................................................... 56

Ecole Centrale Paris 2007-2008 GPA et GPA Mutualisée dans la grande distribution

1

1. Introduction

A la fin des années 80, le monde de la distribution est confronté à de brutales variations

de la demande entraînant des ruptures de stock et des dysfonctionnements industriels et

logistiques majeurs. Pour limiter ces conséquences, les entreprises se sont alors engagées

dans une stratégie de surstockage augmentant ainsi le nombre de points de stockage, leur

surface et les réserves en magasin. Ces stratégies semblent d’autant plus justifiées que la

guerre des prix régit encore le marché et que les comportements spéculatifs étaient

courants. Mais ces pratiques sont extrêmement coûteuses et des réflexions sur

l’amélioration de l’efficacité logistique voient progressivement le jour.

C’est dans ce contexte qu’apparaît la Gestion Partagée des Approvisionnements

(« GPA ») qui vise à améliorer la disponibilité en linéaire tout en réduisant les coûts et

les stocks de la chaîne d’approvisionnement ([13]).

1.1. Définition de GPA

La Gestion Partagée des Approvisionnements est un processus collaboratif entre client

(distributeur) et fournisseur, faisant partie de l’ECR1. Cette pratique vise à

approvisionner des entrepôts (comme dans le cas étudié) et/ou des magasins suivant des

règles de gestion définies dans un contrat de coopération ([16]).

Dans le cadre d’une collaboration GPA entrepôt, le distributeur rend disponible les

informations sur l’état du stock dans ses centres de distribution au fournisseur, qui décide

des quantités à réapprovisionner. Dans une GPA magasin, le fournisseur a aussi les

données relatives aux ventes et au stock en magasin, et a donc la responsabilité du

réapprovisionnement des points des ventes. De plus, cette collaboration peut prévoir le

« stock de consignation » : le stock d’un fournisseur est défini « stock consigné » si, tout

en étant disponible chez le client, il n’est payé que lors de l’utilisation des produits.

1 « Efficient Consumer Response »: stratégie dont l’objectif est de bâtir un système réactif, partant du consommateur final, dans lequel distributeurs et fournisseurs travaillent en étroite collaboration pour maximiser la satisfaction du client et réduire les coûts.


2

Afin de préciser le contexte et le périmètre du projet de recherche, il est utile de préciser

que le terme GPA est utilisé en même temps comme traduction des termes anglais

« VMI » (« Vendor Managed Inventory ») et « CMI » (« Co-Managed Inventory ») : ces

deux processus collaboratifs diffèrent en type de mise en œuvre, respectivement sans ou

avec confirmation par le distributeur de la proposition de commande générée par le

fournisseur.

Les détails sur le fonctionnement du processus sont donnés dans la Section 3.1.1.

La GPA est donc un système réactif de calcul des approvisionnements piloté par le

fournisseur pour le compte du distributeur au niveau SKU1/entrepôt. Les flux sont tirés

par la demande des consommateurs (le sorties de l’entrepôt et/ou les sorties de caisse) et

non plus poussés par fournisseurs et distributeurs. Ce système est alimenté par des

données transmises de manière automatique entre les partenaires afin de garantir la

fiabilité et la rapidité des flux d’informations, l’EDI2 apparaissant, dans ce contexte,

comme l’outil d’échange le plus approprié. Des schémas simplifiés illustrant le schéma

d’approvisionnement traditionnel et en GPA sur entrepôt sont illustrés respectivement en

Figure 1 et Figure 2.

Stock status

Vendor Retailer

ORDER

For

ecas

ts

Products

Figure 1: schéma simplifié d’approvisionnement traditionnel

1 « Stock Keeping Unit »: la combinaison d’un article et de son emplacement logistique constituent l’unité de stock. 2 « Electronic Data Interchange » ou « Échange de Données Informatisé »: Échange par télétransmission de données structurées d'ordinateur à ordinateur selon des formats standards entre partenaires indépendants.


3

Stock status

ORDER Proposal

Vendor Retailer

ORDER Confirmation

For

ecas

ts

Val

idat

ion

Products

Figure 2 : schéma simplifié d’approvisionnement en GPA sur entrepôt

1.2. Le Groupe Carrefour

Le groupe Carrefour est le leader de la distribution en Europe et deuxième au monde,

avec 102,442 milliards d'euros de chiffre d'affaires (TTC) en 2007. Il développe

aujourd’hui quatre formats principaux de magasins alimentaires : les hypermarchés, les

supermarchés, les maxidiscompte et les magasins de proximité, qui différent entre eux

principalement pour l’extension de la surface de vente, et dans le cas des maxidiscompte

pour les prix réduits. Le groupe compte plus de 15 000 magasins exploités en propre ou

en franchise et plus de 490 000 collaborateurs.

Présent dans 30 pays, il réalise plus de 54% de son chiffre d’affaires hors de France. A

l’étranger, le Groupe dispose d’un fort potentiel de développement dans les prochaines

années. C’est le cas notamment sur de grands marchés comme la Chine, le Brésil,

l’Indonésie, la Pologne ou encore la Turquie.


4

Figure 3: présence du Groupe Carrefour dans le monde

1.2.1. La fonction Supply Chain chez Carrefour

La Supply Chain est une fonction centrale pour la croissance du Groupe Carrefour; la

Direction Supply Chain est rattachée à la Direction Commerciale et Marketing Groupe,

et est organisé selon trois domaines principaux (flux, logistique et organisation

magasins), auxquels s’ajoutent de fonctions transversales et de support (Figure 4); de

plus, dans chaque domaine ils existe des experts pour chaque métier et des coordinateurs

pour les business units.


5

Direction stratégie

B to B

Coordinateurs dédiés pays

Experts Métiers



Reporting

Direction Flux

Xavier DERYCKE

Direction Logistique

Experts Métiers

Direction OrganisationMagasin

Pierre-Yves BLANCHARD

Experts Métiers

AssistantesChef de projet

Laurence THOMAS

Chef de projet

Laurence THOMAS

Chef de projet

Direction Flux Direction LogistiqueDirection Organisation

Magasin

Direction Supply Chain Groupe

Figure 4: organisation de Direction Supply Chain de Carrefour

L’objectif principal pour la supply chain de Carrefour est de maximiser la présence des

produits en linéaire, au coût le plus bas : cet objectif dérive d’une vision globale de la

chaîne, qui va au delà de la logistique limitée aux entrepôts et inclut les magasins (la

supply chain doit être tirée par la demande) et les fournisseurs. La collaboration avec les

industriels est donc indispensable pour améliorer les performances de la totalité de la

chaîne, et parmi les différentes pratiques collaboratives nous retrouvons la GPA (le détail

sur le fonctionnement de ce processus sont donnés dans le Chapitre 3).


7

2. Etat de l’art sur la GPA et ses perspectives

2.1. Etat de l’art industriel

Dans cette section nous voulons illustrer les considérations des cas d’étude, les « white

papers » des fournisseurs de systèmes de logiciels, ainsi que les articles de revues de

secteurs, qui traitent de la GPA.

Il faut observer qu’il a été difficile de retrouver beaucoup d’informations par les

associations tel que l’ECR ou le GCI (Global Commerce Initiative) ou par les cabinets de

conseil sur la GPA, car même en étant une pratique tout à fait actuelle, elle ne semble pas

être un thème d’étude présent dans l’agenda de ces derniers; nous retrouvons néanmoins

l’intérêt pour des évolutions de la GPA, tel que par exemple la GPA mutualisée.

L’étude menée par KPMG Canada en 1996 ([15]) démontre que la GPA a été mise en

place dans la grande distribution depuis plus de vingt ans, avec ce qui est probablement

le cas d’application le plus connu, c'est-à-dire celui entre Procter & Gamble (P&G) et

Wal-Mart. Dans la même étude, nous retrouvons aussi la description des obstacles

majeurs à l’adoption de cette pratique collaborative :

� le premier, de type stratégique, est la résistance du client vers l’ouverture et

l’échange d’information avec le fournisseur, qui pourrait donner à ce dernier un

avantage compétitif;

� le deuxième, de type opérationnel, est lié aux nouveaux rôles et aux nouvelles

tâches des acheteurs et des vendeurs, aux nouveaux systèmes de mesure de la

performance, ainsi qu’à un changement dans la culture de l’entreprise.

La première motivation est faible, vue que l’avantage compétitif lié à un service amélioré

est partagé entre les acteurs de la chaîne; pour anticiper la confusion liée à la deuxième

raison de résistance, il faut comprendre que la supply chain est un instrument de

compétition, et que la collaboration entre partenaires commerciaux est essentielle.

Le VMI dans la grande distribution n’a pas toujours été un succès, par exemple dans le

cas du distributeur « Spartan Stores », le projet a été arrêté après douze mois, à cause des

mauvaises prévisions faites par le fournisseur, mais surtout à cause des problèmes liés à

la gestion des promotions.


8

Malgré les échecs, le VMI représente souvent une opportunité, car c’est non seulement

un moyen d’améliorer le service pour le client final en réduisant les coûts de la chaîne

logistique, mais aussi une façon de progresser dans la collaboration entre les acteurs de la

chaîne même.

Les auteurs soulignent aussi que, déjà en 1996, le VMI est vu par certains distributeurs

(c’est le cas de Oshawa Food, un distributeur Canadien qui a adopté avec succès le VMI)

une étape pour une collaboration plus sophistiquée.

2.1.1. Les conditions nécessaires pour obtenir des bons

résultats

Selon Frahm ([48]), pour avoir des résultats satisfaisants du VMI il est nécessaire de

clarifier les objectifs des deux parties, autrement (surtout pour le fournisseur) il y un

risque de déception concernant les résultats à court terme. Il faut aussi s’accorder sur la

façon d’échanger les informations, car le fournisseur devrait connaître les plans de

production ou les prévisions de vente du client (respectivement pour un industriel ou un

distributeur). Aussi, il est essentiel de communiquer constamment sur les problèmes,

pour les rendre des opportunités d’apprentissage, et sur les objectifs; les motivations de

soudains changements de la demande (tels que les promotions) doivent être partagés

entre client et fournisseur; de la même manière, le fournisseur doit communiquer les

éventuels problèmes de production impactant le niveau de service sur une certain

période.

Pour garantir le succès du processus collaboratif, les informations échangées doivent être

précises et fiables ([33]), car il est clair que sans des données correctes il est impossible

de suivre la demande; il faut donc avoir un temps de test suffisamment long, et prévoir

des investissements adéquats. De plus, lorsqu’un des deux acteurs de la chaîne n’a pas de

systèmes techniques adaptés au VMI, le processus peut être géré par un 3PL (« third-

party logistics providers », prestataire de services logistiques).

2.1.2. Secteurs d’application et business cases

Au début, le VMI a été utilisé surtout dans les secteurs de la distribution et de

l’automobile, caractérisés par des gros volumes de produits, mais est désormais

appliquée aussi dans d’autres secteurs, tel que l’approvisionnement de pièces de


9

rechange, de matériel de bureau ou de packaging ([47]). Dans ce type d’applications,

l’avantage le plus évident est que l’on peut bénéficier du savoir faire en thème de

réapprovisionnement du fournisseur, qui gagne en visibilité sur la réelle demande de ces

produits.

Les cas d’application réussis du VMI dans le secteur des produits de grande

consommation sont nombreux. L’Oréal Allemagne a réussi à diminuer le stock de 50%

chez un distributeur majeur sans affecter la disponibilité ([23]), et la relation avec le

client s’est améliorée; L’Oréal a ainsi pris en charge le planning marchandise même pour

les produits saisonniers de son client, ce qui n’était pas prévu au début du projet et

témoigne du niveau de confiance attendu entre les deux partenaires. Heineken Italie

([20]) arrive à utiliser les données de vente pour ses prévisions (avec un niveau de détail

au produit et au client) qui sont utilisées par les usines de production : le résultat est une

couverture de stock de sept jours chez les clients avec un taux de service de 99%.

Dans le domaine de l’électronique, la mise en place du VMI entre STMicroelectronics et

Hewlett-Packard ([36]) a abouti à la réduction de stock des microprocesseurs de cinq à

deux semaines, et le lead time de réapprovisionnement de 50%. Sun Microsystems ([38])

a aussi implémenté le VMI avec la majorité de ses fournisseurs, et les résultats sont

satisfaisants pour l’ensemble de la chaîne.

D’autres exemples dans l’industrie existent. Pour North Coast Electric, le VMI avec ses

fournisseurs a signifié une augmentation de la rotation des stocks de 20% : dans une

période ou les vente ont augmenté de 40 %, le stock a augmenté que de 18%, et le taux

de service est passé de 95% à 98% ([24]). Chez Volvo Powertain, 50 fournisseurs

(représentant 80% de la valeur de stock) sont passés au VMI en 2002, avec une

diminution du stock de 8000 à 4000 pièces ([51]); les consultants qui ont contribué à la

mis en place du processus soulignent que pour son bon fonctionnement un outil

informatique performant est nécessaire mais pas suffisant, car il faut qu’il y ait une vrai

confiance réciproque entre les acteurs de la chaîne. Le benchmark ([50]) effectué en

Suède avec les entreprises Tetra Pak, Cepa Steeltech et Alfa Laval témoigne que le VMI

est applicable profitablement aussi avec des produits à faible rotation, même si il faut

garder le requise d’une collaboration à long terme avec le fournisseur. De plus, les

auteurs montrent que le concept de VMI est très différent d’une entreprise à l’autre (par

exemple, chez Tetra Pak dans le VMI comprend aussi le concept de stock consigné).


10

2.1.3. Avantages et inconvénients

Parmi les cas d’application de la GPA, on a tendance à souligner les exemples de bon

fonctionnement et les bons résultats (par exemple [48] et [54]). Des inconvénients

existent tout de même et peuvent se présenter dans la réalité ([15]). Dans le tableau

suivant, nous essayons donc de donner une vision synthétique des avantages et

inconvénients de la GPA présentés dans la bibliographie analysée jusqu’à présent.

AVANTAGES INCONVENIENTS

Encourage la coopération dans la supply chain – forme des partnership et des lignes de communication intra-fonctionnelles qui peuvent aider à améliorer les relations et le fonctionnement de la chaîne

Augmente les coûts administratifs pour le fournisseur – la responsabilité du fournisseur et sa charge de travail augmentent

Est une façon rapide d’améliorer les résultats – peut être implémenté dans un délai relativement court et donner des bénéfices considérables par rapport aux performances existant auparavant grâce à l’échange d’informations

Est difficile à utiliser avec des remises sur quantités et tarifications spéciales – des stratégies de tarification alternes doivent être revues avec l’accord des deux parties, car ces stratégies (achats spéculatifs) entraînent des augmentations de stock non liée à la demande réelle, et endommagent les performance de la GPA

Améliore le paramétrage du stock – peut augmenter le niveau de service et réduire les ruptures de stock à travers une meilleure compréhension de la demande et des politiques de gestion de stock plus sophistiquées

Complique le système dans le court terme – les nouveaux outils peuvent démarrer immédiatement mais le rôle des employées, des fournisseurs et de clients peut être pas clair au début; les performances, tout en restant considérablement meilleures que auparavant, prouvent être optimisées davantage

Réduit les coûts globaux de la chaîne – une vision plus étendue de la supply chain peut identifier les défauts et un meilleur échange d’informations aide à lisser la demande et réduire le stock

Le client risque la perte du contrôle et/ou de flexibilité – particulièrement lorsque les procédures sont nouvelles, la compréhension et l’habilité de les contrôler est faible Les coûts de transport peuvent augmenter – la fréquence de livraison augmentée entraîne une augmentation des coûts de transport

Augment les ventes pour client et producteur – le niveau de service amélioré aboutira à une augmentation des ventes

Un vrai bénéfice pour le producteur n’arrive que lorsqu’il y a une masse critique - le producteur peut intégrer son DRP dans le MPS ou MRP seulement lorsqu’une partie majeure (par rapport au chiffre d’affaire) de ses clients est en VMI

Tableau 1: avantages et inconvénients de la GPA


11

2.1.4. Evolutions : la GMA (Gestion Mutualisée des

Approvisionnements) ou GPA mutualisée

Le concept de GPA, dans le secteur de la grande distribution, a historiquement été adapté

entre un distributeur et des fournisseurs majeurs ([19]), à cause des investissements en

systèmes d’informations, mais aussi des volumes et des fréquences de livraison

nécessaires (jusqu’à une fois par jour) pour aboutir à des résultats positifs; les

fournisseurs avec des faibles volumes (qui livrent un centre de distribution par exemple

une fois toutes les deux/trois semaines) restaient exclus. Depuis quelques années, chez

Carrefour en particulier, on a commencé à appliquer la GPA même à ces derniers, grâce

à la mutualisation, c'est-à-dire avec la GMA – Gestion Mutualisée des

Approvisionnements ([27], [32]): dans ce modèle de processus collaboratif, plusieurs

industriels (en général deux ou trois) consolident leur stock dans un même centre de

distribution, ou collaborent en effectuant du multi-pick1. Dans le premier cas, l’entrepôt

qui contient les stocks des différents industriels est géré par un prestataire logistique, ce

qui assure en même temps la coordination des livraisons et la confidentialité de données;

c’est le prestataire logistique qui s’occupe donc de repartir l’espace du camion à chaque

livraison parmi les fournisseurs, en connaissant l’état du stock dans son entrepôt et dans

le centre de distribution.

1 « Tournée de ramasse » : collecte au moyen d'un même camion, chez différents fournisseurs, de marchandises à destination d'une plate-forme logistique.


12

Camion complet

Fournisseur 1

GPA mutualisée : le principe

Magasin

Fournisseur 2 Fournisseur 3 Fournisseur 4

Magasin Magasin Magasin Magasin

Prestataire Logistique

Distributeur

Camion complet

Camion complet

Camion complet Camion complet

Figure 5: GPA Mutualisée ou GMA avec stock co-localisé (ECR France, 2002)

Dans le cas du multi-pick, chaque fournisseur garde son propre entrepôt, mais le

transport amont est mutualisé, éventuellement avec la coordination d’un prestataire.


13

Fournisseur 1

GPA mutualisée - multipick

Magasin

Fournisseur 2 Fournisseur 3 Fournisseur 4

Magasin Magasin Magasin Magasin

Distributeur

Camion complet

Camion complet Camion complet

(Prestataire Logistique)

Figure 6: GPA Mutualisée ou GMA avec multipick (ECR France, 2002)

Les règles de répartition de l’espace du camion sont liées essentiellement au taux de

service et à la couverture de stock de chacun des fournisseurs, et font l’objet d’un accord

parmi ces derniers.

Les avantages sont évidents pour les industriels et pour le distributeur : une majeure

fréquence de livraison vers le centre de distribution sans pénaliser l’optimisation de la

capacité de transport amène à réduire les coûts logistiques, augmenter le taux de service,

ainsi qu’améliorer la qualité et la fraîcheur de produits (la GMA est, comme la GPA,

appliquée presque exclusivement aux produits de grande consommation).


14

Le centre de distribution « crée » dans le cas illustré dans la Figure 5 ne constitue pas un

nouveau coût de stockage pour les fournisseurs, car résulte en général de la « fusion » de

plusieurs centres de distribution (un par fournisseur) préexistants et géographiquement

proches. La proximité géographique des centres de distribution est en effet une condition

indispensable pour mettre en place la GMA (voir Section 3.1.4) : ceci est vrai aussi dans

le cas de multipick, où les surcoûts liés au transport ne doivent pas pénaliser le gain en

terme de couverture de stock et niveau de service.

Toutefois, même lorsque les conditions physiques des réseaux de distribution rendent ce

modèle applicable, on rencontre l’opposition des fournisseurs à l’installation de ce

processus, pour des raisons tels que :

� la confidentialité des données sur les flux, liée aux ventes et donc, même si

indirectement, au chiffre d’affaire (les industriels ne veulent pas partager un

même site de stockage avec des concourants)

� la résistance « culturelle » (les conditions générales de vente ne prévoient pas ce

type de modèle)

� la non connaissance des outils informatiques existants pour gérer la GMA

� la difficulté à trouver des partenaires

Il est donc utile de vérifier les bénéfices de ce type de collaboration, en les quantifiant

selon les différents paramètres qui peuvent rentrer en jeu dans le processus. La

modélisation de la GMA et l’étude des gains en terme de performance de la supply chain

seront l’objet de cette étude.


15

2.2. Etat de l’art scientifique

2.2.1. La GPA

Dans une vision traditionnelle de la supply chain, la demande est transmise du bas vers le

haut de la chaîne (de chaque client à son fournisseur), et les produits passent dans la

direction opposée. Les retards, la distorsion du signal de la demande, et la médiocre

visibilité des conditions exceptionnelles résultent en une discrètement d’information qui

est critique pour le management de la supply chain (pour une définition exhaustive de

« supply chain management » voir [9]); typiquement, quand les managers sont confrontés

à des prévisions pas fiables, ils répondent en augmentant les stocks pour faire face aux

incertitudes. La perturbation qui dérive du manque de visibilité est amplifiée en

remontant vers l’haut de la chaîne, et donne lieu à l’effet connu sous le nom de

« bullwhip effect » ([41]); les chercheurs concordent sur le fait que l’échange

d’informations critiques améliore significativement les performances de la chaîne. La

collaboration dans la supply chain a fait l’objet des nombreuses publications

scientifiques, et l’intérêt est croissant, comme prouvé par les statistiques en Figure 7.

"Collaboration supply chain"

0

10

20

30

40

50

60

70

80

90

1983 1991 1995 1996 1997 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008

Année

Nom

bre

de p

ublic

atio

ns

Figure 7: nombre de publications sous les mots clés « collaboration supply chain »

(http://isiknowledge.com/)


16

La GPA, étant l’un des processus qui rendent possibles l’échange d’informations, et a été

aussi le sujet de plusieurs publications1, que nous avons classé sous trois catégories

principales, dont les deux premières présentent un sous classification ultérieure:

� les articles qui présentent des modèles analytiques

o calcul des avantages du VMI et d’autres pratiques collaboratives

o optimisation des paramètres du VMI

� les articles qui présentent des modèles de simulation

o comparaison entre VMI et autres pratiques collaboratives

o impact de différents paramètres sur les performances du VMI

� les articles qui présentent les résultats d’enquêtes et cas d’étude

Le dernière catégorie a été illustré dans la suite et non pas dans la Section 2.1 dû au fait

que les articles y contenus sont issus des revues scientifiques et non pas de revues de

secteur ou « white papers ».

2.2.1.1. Modèles analytiques

2.2.1.1.a. Calcul des avantages du VMI et d’autres pratiques collaboratives

Une partie des articles appartenant à la catégorie des modèles analytiques se focalise sur

la quantification des avantages du VMI par rapport à l’approvisionnement classique et/ou

à des autres modes d’approvisionnement.

Yao et Dresner ([45]) analysent les impacts du simple échange d’informations (sur l’état

du stock chez le distributeur), du réapprovisionnement continu (« CRP - Continuous

replenishement program », ici conçu simplement comme incrément de la fréquence de

livraison), et du VMI. Le modèle est composé d’un producteur et un distributeur, avec un

seul produit, dont la demande suit une loi stochastique autorégressive (AR(1), utilisée

plusieurs fois dans la littérature pour modéliser un processus de demande2).

1 Dans la recherche sur les périodiques anglophones, le mot clé utilisé comme traduction de « GPA » est « VMI »; du point de vue scientifique, le « CMI » n’apparaît pas avoir des différences importantes par rapport au « VMI » 2 Pour plus de détail sur le processus stochastique AR(1) « Greene, W.H., 1997. Econometric Analysis. Prentice Hall, Upper Saddle River, NJ ».


17

Le paramètre d’évaluation est le stock moyen chez le fournisseur et chez le distributeur,

calculé dans le cas de l’échange d’informations et du CRP selon deux modèles présents

en littérature1, avec l’hypothèse de gérer le stock avec un model (T,Sk), en admettant T

l’intervalle de révision du stock et Sk le niveau objectif calculé par chaque période. De

plus, dans le CRP et le VMI, la fréquence de livraison augmente d’un facteur entier g,

sans toutefois que la fréquence de révision du stock augmente : c'est-à-dire, la quantité

nécessaire à atteindre le niveau objectif Sk est livrée en g fois pendent la période de

révision; cette dernière hypothèse simplifie la recherche de l’expression du stock moyen,

mais apparaît difficilement retrouvable dans la réalité. La demande est donc définie selon

loi AR(1) comme suit :

ερ +⋅+= −1tt DdD

avec demande moyenne 0>d , autocorrection 11 <<− ρ et erreur ε normalement

distribué avec moyenne 0 et variance 2σ . L’expression du stock moyen dans les trois

cas, chez le fournisseurs et le distributeur, a la forme suivante :

VKd

gI ⋅⋅+

−⋅= σ

ρ)1(2

1

où K est le paramètre déterminant le stock de sécurité et donc le niveau de service, et V

est la variance : l’expression analytique de V (fonction du lead time et de

l’autocorrelation) change pour chaque cas et est donc à l’origine des différences entre les

types de collaboration et entre les acteurs. Les chercheurs concluent que le simple

échange d’informations (sur demande et état du stock du distributeur) donne des

avantages seulement au producteur, qui peut réduire le stock de sécurité et donc le stock

moyen. Le CRP et le VMI amènent à une diminution du stock (proportionnelle à la

demande moyenne, à son autocorrélation, et à la fréquence de livraison) pour les deux

acteurs, mais de façons différentes : le VMI favorise le producteur et le CRP favorise le

distributeur lorsque la fréquence de livraison augmente.

1 Pour l’échange d’informations «Lee, H.L., So, K.C., Tang, C., 2000. The value of information sharing in a two-level supply chain. Management Science 46 (5), 626–643; Raghunathan, S., Yeh, A.B., 2001. Beyond EDI: impact of continuous replenishment program (CRP) between a manufacturer and its retailers. Information Systems Research 12 (4), 406–419». Pour le CRP « Raghunathan, S., Yeh, A.B., 2001. Beyond EDI: impact of continuous replenishment program (CRP) between a manufacturer and its retailers. Information Systems Research 12 (4), 406–419 »


18

Un model de vendeur de journaux est à la base de la chaîne étudiée par Lee et Chu

([55]), et dans ce cas le VMI résulte toujours avantageux en termes globales par rapport à

l’approvisionnement traditionnel, même si dans certains cas (lorsque le stock souhaité

par le vendeur est beaucoup plus important que celui souhaité par le distributeur) il faut

avoir une règle de partage du risque entre les deux acteurs.

Dans [5] Dong et Xu analysent l’impact du VMI avec stock de consignation: dans ce

cas, le fournisseur gère et reste propriétaire des produits stockés chez le client jusqu’à

leur utilisation; clairement, ce type de relation apporte toujours des avantages au client

(qui n’a plus aucun coût lié au stock), mais, dans le court terme, ce n’est pas toujours

avantageux pour le fournisseur (même face à un prix d’achat plus élevé, les coûts

peuvent ne pas être suffisamment compensés). Sur une période plus longue, avec une

optimisation de la production et une augmentation des ventes liées à la meilleure

disponibilité, le producteur a des avantages et obtient des gains.

2.2.1.1.b. Optimisation des paramètres du VMI

Les chercheurs se sont aussi penchés sur l’optimisation des paramètres opérationnels du

VMI, avec différentes hypothèses sur le schéma logistique et sur les paramètres

considérés.

Çetinkaya et Lee ([37]) ont déterminé la quantité et la fréquence optimale de livraison,

en minimisant le coût total (achats, stockage, transports, backlog) pour un modèle avec

un producteur et plusieurs distributeurs caractérisés par des demandes poissoniennes avec

distribution identique. Dans ce modèle, la politique adoptée par le fournisseur est

nommée (Q,T), Q étant le niveau objectif et T l’intervalle de révision du stock. Le

fournisseur peut ne pas livrer immédiatement les distributeurs, et attende donc un certain

temps afin de consolider les demandes et obtenir une quantité économique à envoyer.

L’objectif est d’optimiser en même temps Q et T en minimisant le coût total; l’expression

du coût moyen de la politique de stock obtenue est la suivante :

22

)1(

cyclepar moyen coût ),(

Twc

T

AQh

Q

QThc

Q

A

TTQC

DD

RR ⋅⋅+⋅++⋅+−⋅⋅⋅+⋅+⋅=

==

λλλλλ


19

où

� λ demande moyenne par période

� RA : coût fixe de réapprovisionnement pour le fournisseur

� Rc : coût d’achat par unité de produit

� h : coût de maintien à stock

� DA : coût fixe de livraison

� Dc : coût de livraison par unité par unité de produit

� w : coût d’attente par unité de produit par unité de temps

� 1+= QQ

DA et Dc sont des coûts qui n’apparaissent dans les modèles de gestion de stock

classiques, car la demande est satisfaite de son arrivée.

Le problème peut être donc formulé comme suit :

0

1 s.c.

min

≥≥

T

Q

,T)QC(

La solution exacte de ce problème est donnée en résolvant, avec une méthode itérative

(ce qui demande un temps de calcul onéreux) les égalités suivantes

( )[ ]QwQh

QAT

Th

AQ

D

R

⋅+−⋅⋅⋅⋅⋅=

⋅⋅−⋅⋅=

12

2

22

λ

λλ

Les auteurs proposent alors une solution approximée, qui a été démontrée comme étant

proche de la solution précédente :

( )hw

QAT

h

AQ

D

R

⋅+⋅⋅⋅

=

⋅⋅=

2

2

2

λ

λ


20

Ces formules (dans lesquelles il faut noter que l’expression de Q est l’expression

standard du lot économique) donnent des résultats comparables aux résultats exactes, et

permettent ainsi de noter que Q augmente lorsque λ , RA augmentent et hdiminue, et T

diminue lorsque λ , DA , h diminuent et w augmente. Cette politique de consolidation

des demandes est clairement avantageuse lorsque h et w sont bas et λ , DA sont élevés.

Par contre, si λ est réduite, une politique classique avec livraison immédiate est moins

coûteuse.

En considérant un modèle avec un fournisseur et plusieurs distributeurs, [3] détermine la

quantité à vendre, le prix de vente au consommateur et le prix de vente au distributeur

(toutes ces quantités sont clairement bornées inférieurement et supérieurement) pour un

produit géré en VMI; le lead time est égal à zéro et backlog et stock-out ne sont pas

considérés. La quantité optimale à vendre est proche à la limite inférieure, où le prix est

plus haut; les coûts de stockage et de setup baissent le profit total mais n'influent pas

fortement sur les paramètres à optimiser; de plus, avec un coût de stockage et de setup

réduits, le profit total augmente avec l'augmentation du nombre d’acheteurs.

[30] propose un schéma pour sélectionner les meilleurs algorithmes de prévision (parmi

plusieurs modèle "classiques" existants en littérature) pour chaque produit, et ensuite

estimer les paramètres de contrôle du VMI (stock de sécurité, quantité économique, point

de recommande, etc.) dans une chaîne à deux étages. L'algorithme utilisé pour estimer les

paramètres de contrôle est validé sur un cas industriel d'un entrepôt gérant 12 produits.

Dans ce cas, l'algorithme donne des avantages évidents en terme de ventes, niveau de

service, coûts de commande. Les résultats dépendent de toute façon de la relation prix de

vente/demande, qui n’est pas facilement estimable, surtout avec un grand nombre de

références et/ou des activités promotionnelles.


21

Chen et Chen ([29]) considèrent une chaîne à deux étages avec trois points de stockage,

respectivement pour les matériaux bruts et les produits finis producteur, et l’entrepôt du

distributeur. L’optimisation de la fréquence de livraison est déterminée dans quatre

scénarios différents : environnement mono-produit ou multi-produits (dans ce cas la

fréquence et la quantité optimales de production sont aussi donnés), et avec ou sans

collaboration entre fournisseur et distributeur; si une collaboration existe, on minimise

les coûts totaux de la chaîne, autrement les coûts totaux pour le distributeur. Les auteurs

donnent ainsi un schéma pour déterminer les remises sur quantité de façon à rendre la

collaboration avantageuse pour les deux acteurs.

2.2.1.1.c. Conclusion

Les modèles présentés dans cette section sont basés sur des hypothèses qui sont parfois

difficiles à vérifier dans la réalité, tels que les distributions statistiques de la demande, le

lead time négligeable (comme en [37]), l’absence de backlog, une relation linéaire entre

prix de vente et demande (qui, même si présente, est sûrement difficile à estimer pour un

grand nombre de produits), etc. De plus, il est difficile de prendre en compte les

contraintes des problèmes de réapprovisionnement, comme par exemple la contrainte de

la capacité de transport. Par contre, l’avantage de ce type de modèle est de donner une

analyse des résultats (par exemple lorsqu’on veut comparer le VMI avec des autres

pratiques) immédiate par rapport à la simulation.

Toutefois, l’impossibilité de tenir compte de nombreuses contraintes existantes dans le

contexte étudié nous empêche d’utiliser ce type de modèle pour notre recherche.

2.2.1.2. Modèles de simulation

En ce qui concerne les modèles de simulation, nous retrouvons des travaux qui visent à

comparer le VMI avec l’approche de gestion de stock traditionnelle ou avec d’autres

types de collaboration, et des articles qui se focalisent sur l’impact de différents

paramètres sur les performances du processus VMI. Clairement, même dans la première

catégorie les chercheurs essaient de déterminer l’impact de différents facteurs :

néanmoins, dans les articles décrits dans la Section 2.2.1.1.b les chercheurs se

concentrent exclusivement sur le VMI.


22

2.2.1.2.a. Comparaison entre VMI et autres pratiques collaboratives

Sari ([26]) évalue les performances de VMI et CPFR (« Collaborative Planning,

Forecasting and Replenishement ») dans une supply chain ayant quatre étages (avec un

seul acteur pour chaque étage) : usine de production, centre de distribution du

fournisseur, centre de distribution du distributeur, magasin. Les scénarios changent selon

quatre facteurs :

� type de collaboration entre distributeur et fournisseur (supply chain traditionnelle,

avec VMI, avec CPFR)

� capacité de production de l’usine (10%, 30% ou 50 % supérieure à la demande

moyenne du marché)

� incertitude sur la demande finale (pas de saisonnalité, niveau moyen de

saisonnalité, haut niveau de saisonnalité)

� le lead time d’approvisionnement entre chaque membre de la supply chain (1 ou 4

jours).

La politique de stock adopté dans chaque étage est de type (T,SK), avec le niveau objectif

déterminé selon des prévisions effectuées avec le décrément exponentiel. Les résultats

sont analysés avec l’ANOVA pour observer les effets des facteurs et aussi de leurs

interactions doubles : les performances observés sont les coûts de maintien du stock et de

backlog totaux sur la chaîne et le niveau de service aux consommateurs finaux (c'est-à-

dire avals des magasins). Les auteurs ne considèrent donc pas le coût des commande ou

du transport, et signalent eux même que la structure de coûts utilisée, tout en étant

réaliste (les coûts de maintien du stock et de backlog à l’unité sont de plus en plus

importants en partant de l’usine jusqu’au magasin), représente uniquement un cas précis.


23

Figure 8: résultats du modèle de simulation en [26]

Les résultats (Figure 8) montrent que les bénéfices du CPFR sont toujours supérieurs à

ceux du VMI, surtout en cas de haute incertitude dans la demande finale; néanmoins,

dans certains cas le gap est réduit (par exemple avec capacité de production peu

supérieure à la demande moyenne et/ou courts lead times). En considérant le coût

supérieur de mis en place d’un processus de CPFR, l’avantage par rapport au VMI peut

donc devenir négligeable.

Disney et Towill ([42]) utilisent la dynamique des systèmes pour comparer l’impact en

terme de « bullwhip effect » dans le cas où le VMI est appliqué (dans ce cas, le

distributeur donne les donnés POS1, ainsi que l'état du stock) et le cas où il ne l’est pas.

Six scénarios différents (obtenus en variant cinq paramètres déterminant la "réactivité" à

la demande du système) sont analysés, et le VMI apporte toujours une substantielle

réduction du "bullwhip effect", qui est mesuré avec différentes méthodes présentes dans

l’industrie et dans la littérature scientifique (tels que par exemple la méthode ITAE2).

En modélisant la supply chain entre un fournisseur et un client avec la dynamique des

systèmes, [53] vise à quantifier l'impact sur les quatre causes majeures du « bullwhip

effect » dans une supply chain traditionnelle et en VMI; dans le deuxième cas on peut

1 « Point Of Sale »: données relatifs aux ventes au niveau des magasins 2 « Integral of Time multiplied by Absolute Error » (Fisher, M., Hammond, J., Obermeyer, W., Raman, A., 1997. Configuring a supply chain to reduce the cost of demand uncertainty. Production and Operations Management 6 (3), 211–225).


24

éliminer totalement l'effet « Houlihan »1 et l'effet « Burbidge »2, et aussi l’impact des

deux autres sources de « bullwhip effect » (fluctuations des prix, lead time de livraison)

est diminué avec le VMI.

Ovallea et Marquez ([43]) proposent une modélisation de supply chain à quatre étages,

basée sur la dynamique des systèmes, dans quatre scénarios différents: supply chain non

collaborative, avec VMI (échange d’informations sur l’état et les mouvements du stock),

avec prévisions collaboratives (les acteurs de la chaîne partagent les donnés sur la

demande final et utilisent les mêmes prévisions pour effectuer les commandes) et enfin

avec CPFR (qui est vu comme l’union de VMI et prévisions collaboratives). Les

expériences montrent qu’un changement soudain de la demande final produit le

« bullwhip effect » dans la chaîne non collaborative. Les prévisions collaboratives

donnent de meilleurs résultats (au niveau de la stabilité du stock et du coût global de la

chaîne) que le VMI; en ajoutant la planification collaborative, la chaîne bénéficie d’une

visibilité complète des flux des produits, ce qui donne une meilleure gestion des stocks et

une capacité de réaction plus rapide par rapport aux besoins des clients.

2.2.1.2.b. Impact de différents paramètres sur les performances du VMI

Angulo et Nachtmann ([39]) présentent une simulation du comportement d’une supply

chain avec quatre étages (production, centre de distribution du fournisseur, centre de

distribution du distributeur, points de vente) avec implémentation du VMI : dans ce cas,

les données des points de vente et les données sur les livraisons entre centres de

distribution des distributeurs et magasins sont partagées. Les différents scénarios

incluent :

� deux types de politique de gestion de stock : (T,S) ou (r,Q) avec Q égal à la

capacité d’un camion

� deux types de demande finale (processus de Poisson stationnaire ou non-

stationnaire)

1 Effet dû à la tendance par les clients à commander plus que le besoin lorsque des ruptures et/ou des pénuries se vérifient, et créant donc une distorsion dans le signale de la demande (“International supply chain management”, Houlihan, J.B., 1987, International Journal of Physical Distribution and Materials Management, Vol. 17 No. 2, pp. 51-66) 2 Effet dû au fait de commander par lots tout au long de la supply chain (“Period batch control (PBC) with GT – the way forward from MRP”, Burbidge, J.L., 1991, BPCIS Annual Conference, Birmingham)


25

� deux délais de retard des informations (informations instantanées ou décalés de

deux jours),

� présence ou non d’une imprécision de l’information (avec une erreur uniforme

5%± sur les ventes réelles)

Les résultats analysés avec l’ANOVA révèlent que la précision de l’information affecte

les performances (coûts logistiques et service) du VMI en cas de demande non

stationnaire et surtout pour le fournisseur, même si la collaboration reste toujours une

pratique avantageuse. Le retard de l’information (qui peut avoir lieu dans les systèmes

d’information de un ou plusieurs des sujets de la chaîne) influence sur toutes les

performances et doit être bien prise en compte par les deux parties. Le partage des

prévisions apparaît très important pour les produits dont la demande est non-stationnaire,

comme par exemple les nouveaux produits ou ceux qui sont en promotion. Il résulte que

la politique (T,S) est meilleure quant au niveau de service au client final ; par contre, la

politique (r,Q) est meilleure pour le coût global, puisqu’elle utilise totalement la capacité

de transport.

Dans le modèle présenté en [49] il y a un producteur, plusieurs entrepôts de distributeurs

qui adoptent en partie le VMI, un entrepôt géré par le producteur même qui est chargé de

servir des clients de taille inférieure (n’adoptant pas le VMI) ainsi qu’un entrepôt d’un

prestataire logistique (qui sert lui même de petits distributeurs). Trois types de scénarios

sont étudiés avec respectivement différents coefficients de variation de la demande,

différents pourcentages de participation au VMI par les grands distributeurs, et capacité

de production limitée pour le producteur. Les résultats confirment généralement que

l’application du VMI apporte des bénéfices incontestables aux niveaux des stocks; le

résultat le plus surprenant est que les niveaux des stock baissent aussi pour les

distributeurs qui n’adoptent pas le VMI (grâce à la mineure variabilité de la demande

pour le producteur induite par les clients en VMI, les stock de sécurité diminuent). La

variabilité de la demande n’a pas une grande influence sur les bénéfices, qui dérivent

surtout de la majeure fréquence de contrôle du stock, des ordres, et des livraisons.


26

2.2.1.2.c. Conclusion

Les modèles des simulations présentent des avantages et des inconvénients bien connus

par rapport aux modèles analytiques. La simulation à événements discrets est

particulièrement adaptée à l’analyse des processus collaboratif dans la supply chain,

permettant une modélisation proche de la réalité même dans des environnements

relativement complexes (comme par exemple une supply chain à quatre étages). La

simulation basée sur la dynamique de systèmes est plutôt utilisée pour estimer la réponse

de la chaîne à des changements soudains de la demande, et son inconvénient majeure est

que cela ne permet pas de prendre en compte des caractéristique tels que le lead time ou

des politique de gestion de stock à contrôle périodique.

Nous avons aussi observé que parfois les expériences de simulation et l’analyse de

résultats ne sont pas conduits suivant des méthodes statistiques (par exemple dans [49]

les auteurs analysent un facteur à la fois), ce qui peut rendre moins « robustes » les

conclusions.


27

2.2.1.3. Enquête/Cas d’étude

Des nombreux auteurs présentent des enquêtes et des cas d’étude sur la collaboration

dans la supply chain et sur le VMI.

Smaros ([14]) examine les pratiques collaboratives de quatre fournisseurs européens dans

le secteur de la grande consommation, avec quatre conclusions principales :

� l’investissement demandé pour les technologies informatiques de collaboration

n’est pas un obstacle fondamental à la collaboration sur les prévisions;

� une capacité de prévision limitée du distributeur est un obstacle important pour

les prévisions collaboratives, mais non pas pour l’échange d’information ou la

prévision collaborative pilotée par le producteur;

� les besoins de collaboration et prévision des fournisseurs et distributeurs sont

différents, à cause des différents horizons de planification et niveaux

d’agrégation;

� des intervalles de production longs et un manque d’intégration interne rendent

difficile pour le producteur d’utiliser efficacement les informations sur la

demande obtenues grâce à la collaboration.

[17] est focalisé sur le CPFR, avec un cas d’étude sur trois groupes industriels (de

secteurs différents) qui mettent en place des types différents de prévisions collaboratives

avec leurs partenaires commerciaux; le CPFR est jugé comme étant un processus trop

détaillé et vaste, et les auteurs concluent que la collaboration sur les prévisions peut

apporter des bénéfices importants (augmentation de réactivité, disponibilité des produits,

optimisation des coûts de stockage). Cependant, ils recommandent aux entreprises de

développer des pratiques de collaboration demandant investissements en ressources

humaines et technologiques inférieurs au CPFR, sans pour autant en indiquer une

précisément.

Une chaîne logistique de produits périssables (viande) en Angleterre est considérée par

Bailey et Francis ([22]), avec l’objectif d’observer la distorsion de la demande, même si

un échange d'informations existe déjà entre les différents interlocuteurs. Les chercheurs

affirment que l'échange d'informations même ne garantie pas une distorsion inférieure de

la demande; il est aussi nécessaire de partager les mesures de performance, ainsi que les


28

processus collaboratifs, entre les acteurs de la chaîne de façon plus intégrée, afin

d’améliorer l’efficacité de la chaîne même.

Afin d’identifier les causes et les conséquences de la carence de collaboration dans une

supply chain, Simatupang et Sridharan ([40]) présentent une revue de littérature sur

plusieurs cas d’étude : l’inertie dans le management de la chaîne est l'une des causes plus

importantes. Pour mettre en place et maintenir une supply chain collaborative il faut donc

identifier les résistances au changement et les dépasser; de plus, l'acteur

commercialement plus fort de la chaîne est celui qui peut pousser le plus au changement

et à la collaboration.

En interrogeant six managers supply chain de l’industrie électronique Kuk ([11]) vise à

déterminer les conditions de base pour une mise en place profitable du VMI : les auteurs

vérifient que les petites entreprises ont eu, contrairement à ce qu’ils attendaient, une

perception meilleure des résultats par rapport aux grandes entreprises (ceci dû peut être

au fait que les grandes ont beaucoup des données à gérer avec le VMI). Ainsi, une haute

participation des employées et l'intégration logistique favorisent le succès du VMI.

Holmström, et Tanskanen ([52]) comparent trois chaînes cas de secteurs différents avant

et après la mise en place du « Just in Time » (c'est-à-dire des livraisons très fréquentes

mais avec une commande faite par le client) et/ou du VMI. En observant l’amplification

de la demande sur la chaîne, les auteurs montrent que la visibilité du stock donné par le

VMI au fournisseur rend cette pratique plus avantageuse par rapport au JIT et à

l'approvisionnement traditionnel (en terme des stocks et réduction du "bullwhip effect");

ce résultat est encore plus fort pour les produits à basse rotation.

Pour juger la pertinence de cinq conditions considérées comme déterminantes pour

l’adoption du VMI Donga et al. ([12]) évaluent les réponses à 137 questionnaires

envoyés aux managers des équipes achats de différentes entreprises; seulement trois des

cinq conditions sont statistiquement significatives :

� un niveau de compétition élevé dans le marché du producteur favorise l’adoption

du VMI

� un niveau élevé d’incertitude sur les opérations (techniques : adoptions EDI,

livraisons, etc.) pour le distributeur est associé avec un bas niveau d’adoption du

VMI


29

� un niveau élevé de collaboration déjà existant entre fournisseur et distributeur

favorise l’adoption du VMI

Il faut tout de même remarquer que l’efficacité statistique d’explication du modèle n’est

pas élevée (le R-square vaut 51%).

2.2.1.3.a. Conclusion

Ces études présentent des états de l’art de l’application du VMI et d’autres pratiques

collaboratives, en soulignant qualitativement les avantages ou les conditions nécessaires

pour les mettre en place; les conclusions tirées des ces études ont l’avantage d’être

facilement compréhensibles. Toutefois, la significativité des résultats est parfois faible,

pour l’extension des cas considérés ou par rapport à la cohérence des réponses aux

questionnaires.

2.2.2. La GMA dans la littérature scientifique

Le problème de la Gestion Mutualisée des Approvisionnements n’apparaît pas être traitée

dans la littérature scientifique, ou du moins sous ce terme là (que nous pouvons traduire

en anglais avec « Pooled VMI »). Même en interrogeant les bases de données avec

d’autres mots-clés tels que «multiple supplier VMI », « consolidation VMI », « supplier

hub », « supplier pooling », « supplier collaboration » etc., il est difficile de retrouver des

résultats pertinents et similaires au contexte que nous souhaitons analyser. Une raison

possible pour cette apparente carence de travaux est le fait que, comme mentionné

précédemment, les fournisseurs qui collaborent pour servir un client sont vus par ce

dernier comme étant une seule entité : le distributeur a donc, dans sa perspective, un

nouveau fournisseur « équivalent » qui gère toutes les références des industriels qui

collaborent entre eux. Dans cette perspective, nous pouvons donc examiner problème

comme un cas de gestion de stock multi-produits : ce problème est connu en littérature

comme « Joint Replenishement Problem - JRP » (ce problème dans le contexte du VMI a

été analysé par Chen et Chen en [29] ).

Le JRP a été étudié en littérature depuis plus de cinquante ans, vue son application en

industrie. Dans la formulation de base, il s’agit de déterminer la politique de gestion de

stock qui minimise les coûts (de commande, de possession de stock et des ruptures) pour


30

plusieurs produits; il y a un coût de setup indépendant du type de produits commandé, et

un coût de setup (généralement inférieur au premier) pour chaque type de produit

Une des premières études a été effectuée par Balintfy ([25]), qui a décrit une politique à

suivi continu de l’état du stock, où on détermine pour chaque produit un point de

recommande ou « order point » et un « point de recommande possible » ou « can-order

point ». Il y a donc une zone de réapprovisionnement (« reorder range ») entre ces deux

points, et chaque fois qu’un produit descend sous le « order point », le niveau de stock

des autres références est contrôlé et la commande est déclenchée pour toutes celles qui

sont dans la zone de réapprovisionnement. Ce type de politique est défini (S,c,s), ou S est

le vecteur de stock nominal de chaque produit, c est le vecteur des « can-order points », s

le vecteur des points de recommande. Il reste difficile de trouver une expression

analytique des coûts pour cette politique.

La même politique a été étudiée par Silver ([34]), en supposant une demande

poissonienne, et en fixant 1Sc −= e 0s = ; dans ce cas, la politique de commande

regroupée est meilleure que celle de commande individuelle si le coût fixe ne change pas

entre les deux, ou si le coût fixe pour la commande regroupée est au dessous d’un valeur

critique si les deux sont différents.

Federgruen et al. [8] utilisent un model de décision semi-markovien pour déterminer les

paramètres de control de la politique, avec demande poissoniennes; l’approche est de

décomposer le problème original en n sous-problèmes (où n est le numéro des produits

présents), et d’utiliser ensuite cette décomposition dans un algorithme heuristique afin

déterminer (S,c,s).

Une autre politique qui prévoit le suivi continu du stock (mais qui conceptuellement plus

simple que (S,c,s)) est la politique (Q,S) : dans ce cas, chaque fois que la demande totale

depuis la dernière livraison est égale à Q, une nouvelle commande est déclenchée, afin de

ramener les stocks de tous les produits aux niveaux nominales S.

Pantumsinchai ([2]) confronte les performances des politique (S,c,s) et (Q,S) : la dernière

se comporte mieux lorsque le coût fixe de commande est haut et le coût de stock-out est

réduit; la politique (S,c,s) est meilleure seulement lorsque le coût fixe est limité.

[44] analyse la politique (Q,S) dans le cas d’une chaîne avec un fournisseur et plusieurs

distributeurs qui ont leur centres de distributions dans la même zone géographique : dans

ce contexte, une commande est déclenchée chaque fois que la somme des demandes pour


31

tous les fournisseur est égale à Q. Ils proposent aussi un modèle où le fournisseur peut

transférer les produits d’un centre de distribution à l’autre (pendent les livraisons) pour

optimiser les coûts, et trouvent une borne inférieure et supérieure au coût de cette

politique.

Atkins et Iyogun ([31]) comparent la politique (S,c,s) avec deux politiques à

recomplètement périodique nommées (R,T), où R est le niveau de stock nominale de

chaque référence; la première politique prévoit des périodes de la même longueur T, dans

la deuxième les périodes (multiples d’une période base commune) peuvent être

différentes pour chaque produits. Les deux politiques proposées sont meilleures que la

politique (S,c,s) lorsque le coût fixe augment; de plus, surtout pour la première, ces

politiques sont beaucoup moins difficiles à implémenter.

Dans leur revue des publications sur le JRP de 1989 à 2005, Khoujaa et Goyalb ([4])

affirment que la majorité des articles traitent la recherche d’une solution optimale pour ce

problème, avec différents algorithmes. Cette piste de recherche est considérée comme

étant désormais saturée, et les auteurs souhaitent une recherche plus proche des

problèmes réels de gestion de stock multi-produits; dans cette direction on voit d'ailleurs

se développer les travaux de recherche plus récents, par exemple avec l’extension du

problème de base en prenant en compte des contraintes de capacité de stockage, de

transport, de budget, etc.

Cachon [21] considère la contrainte d’effectuer des livraison que lorsqu’une quantité

minimale est nécessaire, afin de réduire l’impact du coût de transport; il propose trois

politiques :

� la première est une politique du type (Q,S), où Q est égale à la capacité de

transport d’un camion (ou à un pourcentage suffisamment haute de la même);

� la deuxième est une politique à recomplètement périodique, où la livraison est

effectuée à chaque période sans considérer l’optimisation transport;

� la troisième politique est aussi à recomplètement périodique, mais pour effectuer

une livraison il faut avoir tous les camions utilisés pour une livraison pleine, et

avec une quantité minimale.


32

La politique (Q,S) est moins coûteuse que les politiques à recomplètement périodique.

Cependant, l’avantage est moins important lorsque le lead time est grand; de plus, étant

une politique à suivi continu, son implémentation est plus coûteuse, et peut résulter

difficile aussi parce que ça demande la disponibilité à effectuer la livraison dans un

moment quelconque, et on ne retrouve pas souvent cette condition dans les supply chain

réels.

[18] considère aussi la contrainte de transport, en proposant une politique (s,Q), où

chaque fois qu’une référence descend sous son niveau minimum s, une livraison de

quantité Q est faite : la quantité Q (équivalent à la capacité de transport d’un camion) est

allouée à chaque produit afin de minimiser le coût de rupture dans le cycle successif à la

livraison. Cette politique a des performances similaires à celles existantes en littérature

dans le cas d’une capacité de transport réduite ou très élevé, mais améliore les résultats

dans les autres cas.

Moon et Cha ([46]) introduisent un algorithme heuristique et un algorithme génétique

pour trouver l’intervalle de réapprovisionnement optimal (dans ce cas, chaque produit est

réapprovisionné avec une période multiple de la période de base) sous une contrainte de

budget; l’algorithme génétique résulte avoir des temps de résolution supérieurs, mais les

auteurs observent que ce type d’approche est plus facilement adaptable à d’autres

catégories de contraintes.

Hoque ([7]) présente un algorithme heuristique et itératif pour le JRP sous contraintes de

capacité de stockage, budget, et utilisation de la capacité de transport. Les algorithmes

existants en littérature sont démontrés être inefficaces pour ce type de problème; à

l’opposé l’algorithme proposé donne les même résultats des meilleures heuristiques en

littérature si on relâche les contraintes, ce qui en démontre l’optimalité.

[6] analyse le JRP dans le cas de demande déterministe, avec la contrainte de livrer une

quantité minimale de chaque produit dans chaque livraison; l’algorithme décrit est plus

performante de ces qui existent en littérature, et toujours meilleur de la politique de

recommande indépendante (ce qui n’est pas toujours garanti pour le JRP).


33

2.2.2.1.a. Conclusion

En observant les travaux existants en littérature, nous avons pu noter qu’un effort a été

effectué ces dernières années dans le but de se rapprocher des problèmes et des

contraintes liés à la supply chains. Néanmoins, à notre connaissance, il n’y a pas de

recherches focalisées sur les avantages envisageables avec une mutualisation des

approvisionnements, dans le contexte d’une collaboration VMI. Nous remarquons aussi

que les articles sur la gestion de stock multi-produits ont souvent recours à des

algorithmes : pour les comparer, les chercheurs utilisent des tests numériques (même si la

« logique » des heuristique dérive de considérations analytiques), car il est difficile de

trouver des expressions analytiques pour les coûts; cette difficulté est encore majeure

lorsqu’on prend en compte les contraintes.

Pour notre recherche, il est essentiel de considérer la contrainte du transport dans

l’évaluation des performances de la GMA : pour cette raison, la simulation apparaît

comme étant une bonne méthode.


35

3. La GPA chez Carrefour

Dans ce chapitre nous illustrerons l’état des lieux de la GPA chez Carrefour, qui est

installée depuis plusieurs années. Nous parcourrons aussi les pratiques utilisées dans le

processus, ainsi que les performances dans les années plus récentes et les perspectives

d’évolutions de ce type de collaboration. L’étude est focalisée sur quatre Businees Units

européennes (France Hypermarchés, France Supermarchés, Italie, Belgique), où

l’ensemble des fournisseurs appliquant la GPA constitue 40% du chiffre d’affaire sur les

produits de grande consommation.

3.1. Etat des lieux

La GPA est classifiée parmi les processus collaboratifs aptes à améliorer l’efficacité de

l’approvisionnement, et demandant un niveau de collaboration développé avec le

fournisseur (Figure 9). Dans la même classification nous retrouvons la GPA mutualisée.

Amélioration de la Performance

Efficacité de l’Approvisionnement

Efficacité des Opérations Logistiques

Efficacité de la Planification

Leviers Technologiques

BA

SIQ

UE

SD

EV

ELO

PP

ES

AV

AN

CE

S

…… ……

……

……

GPAGPA

GPA mutualiséeGPA mutualisée ……

……

……

……

……

……

……

……

……

……

……

……

……

……

……

……

Figure 9: cartographie des processus collaboratifs (Carrefour)

Afin de donner une vision claire du mode de fonctionnement de la GPA, en modalité

CMI (la plus présente dans le Groupe Carrefour) ou VMI, nous avons identifié les flux

d’information et les flux physiques qui rentrent dans le processus, illustrés

respectivement en Figure 10 et Figure 11. L’outil qui permet l’échange d’informations

est, comme mentionné dans l’introduction, l’EDI.


36

Figure 10: flux d’information et flux physique dans une collaboration CMI

Cen

tre

de d

istr

ibut

ion

1.

Co

nso

lidat

ion

des

do

nné

es s

ortie

s et

en

trée

s en

sto

ck

2.

En

voi d

u m

essa

ge a

vec

l’éta

t d

u s

tock

Sys

tem

d’in

form

atio

n 3

. In

tégr

atio

n d

u m

essa

ge E

DI d

ans

le s

ystè

me

d’in

form

atio

n G

PA

4

. L

ance

men

t d

u c

alcu

l des

bes

oin

s (a

vec

inté

gra

tion

d

es p

révi

sio

ns)

Ana

lyst

e G

PA

5

. O

ptim

isat

ion

du

rem

plis

sage

cam

ion

6

. C

alcu

l et

valid

atio

n d

e la

pro

pos

itio

n d

e co

mm

ande

7

. E

nvo

i du

mes

sage

ED

I

Ges

tion

com

mer

cial

e 1

1.

Inté

grat

ion

de

la c

on

firm

atio

n d

e co

mm

and

e 1

2.

Pré

par

atio

n d

e la

co

mm

and

e 1

3.

Liv

rais

on

et

envo

i du

mes

sage

d’a

vis

d’ex

péd

ition

App

rovi

sion

nem

ent

8.

Co

mp

arai

son

de

la p

rop

osi

tion

de

com

man

de

de

l’in

du

strie

l ave

c la

co

mm

ande

cal

culé

e p

ar le

sys

tèm

e d

u

dis

trib

ute

ur

9.

Val

ida

tion

de

la p

rop

osi

tion

de

com

man

de

10

. E

nvo

i de

la c

on

firm

atio

n d

e co

mm

and

e

Réc

eptio

n 1

4.

Pré

par

atio

n d

e la

réc

eptio

n 1

5.

Co

ntr

ôle

à la

réc

eptio

n

16

. E

nvo

i de

l’acc

usé

de

réce

ptio

n

Fin

ance

1

6.

Inté

gra

tion

de

la fa

ctur

e et

pré

par

atio

n d

u p

aiem

ent

Fin

ance

1

7.

Pré

par

atio

n d

e la

fac

ture

1

8.

En

voi d

e la

fac

ture

Car

refo

ur

Fo

urn

isse

ur

Flu

x d

’info

rma

tion

Flu

x p

hys

ique

Eta

t du

stoc

k

Pro

po

sitio

n d

e r

éa

pp

rovi

sio

nn

em

en

t

Pro

posi

tion

de c

omm

ande

Con

firm

atio

n de

co

mm

ande

Avi

s d’

expé

ditio

n

Flu

x m

arch

andi

ses

Acc

usé

de r

écep

tion

de li

vrai

son

Fac

ture

CM

I


37

Figure 11: flux d’information et flux physique dans une collaboration VMI

Cen

tre

de d

istr

ibut

ion

1.

Con

solid

atio

n d

es

don

née

s so

rtie

s e

t e

ntré

es

en s

tock

2

. E

nvoi

du

me

ssa

ge a

vec

l’éta

t d

u s

tock

Sys

tem

d’in

form

atio

n 3

. In

tégr

atio

n d

u m

ess

age

ED

I da

ns

le s

ystè

me

d

’info

rma

tion

GP

A

4.

Lan

cem

en

t d

u ca

lcu

l de

s b

esoi

ns (

ave

c in

tégr

atio

n

de

s pr

évi

sion

s) Ana

lyst

e G

PA

5

. O

ptim

isa

tion

du

re

mp

lissa

ge c

am

ion

6.

Ca

lcul

et

valid

atio

n d

e la

pro

pos

itio

n d

e c

om

ma

nde

7

. E

nvo

i du

me

ssa

ge E

DI

Ges

tion

com

mer

cial

e 8

. In

tégr

atio

n d

e la

con

firm

atio

n d

e c

omm

an

de

9

. P

rép

ara

tion

de

la c

om

ma

nd

e

10.

Li

vra

ison

et

env

oi d

u m

ess

age

d’a

vis

d’e

xpé

ditio

n

Réc

eptio

n 1

1.

Pré

par

atio

n d

e la

ré

cep

tion

12

. C

on

trôl

e à

la r

éce

ptio

n

13

. E

nvo

i de

l’a

ccus

é d

e r

éce

ptio

n

Fin

ance

1

6.

Inté

gra

tion

de

la fa

ctur

e e

t pr

ép

arat

ion

du

paie

me

nt

Fin

ance

1

4.

Pré

par

atio

n d

e la

fact

ure

1

5.

En

voi d

e la

fac

ture

Flu

x d

’info

rma

tion

Flu

x p

hysi

que

OR

DE

RS

Co

pie

Pro

po

sitio

n de

ré

ap

pro

visi

onn

em

en

t

Ca

rre

four

F

ourn

isse

ur

VM

I

Eta

t du

stoc

k

Com

man

de

Avi

s d’

expé

ditio

n

Flu

x m

arch

andi

ses

Acc

usé

de r

écep

tion

de li

vrai

son

Fac

ture


38

En ce qui concerne le temps de déroulement du processus, toute la première partie de

l’échange d’information jusqu’à la commande ferme (étapes 1-10 pour le CMI et 1-7

pour le VMI) a lieu dans la matinée de chaque journée. Le lead time pour la livraison

dépend clairement de la structure du réseau logistique du fournisseur et des contrats

existants, et est en général compris entre un et trois jours. De la même façon la fréquence

de livraison (et par conséquence celle de révision du stock) vers chaque centre de

distribution Carrefour dépend évidemment du taux de rotation des produits (un centre de

distribution servant des hypermarchés a d’habitude des taux de rotation plus forts que

pour les supermarchés) ainsi que du nombre de références (et leurs ventes) de

l’industriel.

3.1.1. Pratiques de suivi du processus

Afin de vérifier les performances du processus, les systèmes d’information présents

permettent l’extraction des données sur le stock en entrepôt, le niveau de service, le stock

en magasin et la disponibilité en linéaire: ces données sont synthétisés dans une

scorecard (sous forme de ficher Excel) qui est mise à jour chaque mois au niveau du

Groupe. Bien que la scorecard soit rédigée et partagée avec tous les fournisseurs (surtout

pour le niveau de service), dans le cas de d’une collaboration GPA existante elle est

encore plus importante puisqu’il existe des objectifs concordés (en terme de stock en

entrepôt et niveau de service) entre Carrefour et l’industriel. De plus, le niveau de service

indiqué est le « niveau de service aval », c'est-à-dire le ratio entre le nombre de colis

livrés aux magasins depuis les centres de distribution Carrefour et le nombre de colis

commandés par le centre même; nous utilisons cet indicateur étant donné que le « niveau

de service amont1 » est, dans le cas d’une collaboration GPA, égal à 100% (car c’est le

fournisseur même qui propose les produits et les quantités à livrer). La scorecard permet

donc d’identifier les dérives éventuelles du processus et de collaborer à l’identification

des causes.

1 Ratio entre le nombre de colis livrés aux centres de distribution Carrefour et le nombre de colis attendus suite à la validation de la proposition de commande.


39

Au niveau de chaque pays, nous avons pu remarquer des éléments communs et des

différences dans le suivi journalier :

� L’élément commun plus évident est que, même si il s’agit dans la plupart des cas

de CMI, la validation des propositions de commande ne comporte pas des

modifications sur les quantités proposées (les commandes sont modifiées

seulement suite à des erreurs relatives au système d’information), même si les

outils ERP de Carrefour permettraient d’évaluer la qualité de la commande. Il n’y

a donc pas un véritable échange journalier entre Carrefour et le fournisseur, et ce

dernier est tout de même obligé d’attendre la validation de la commande (qui est

automatique et presque instantanée dans le cas de VMI), ce qui comporte à la fois

un lead time de réapprovisionnement supérieur.

� En Italie et en Belgique, dans le cas de niveau de service inférieur à 98.5%, les

produits non livrés sont détaillés et les causes de non livraison sont affectées à

Carrefour ou au fournisseur et partagées avec ce dernier, afin d’identifier

rapidement les problèmes existants. Cette pratique n’est pas utilisée en France à

cause d’un manque de ressources.

Nous remarquons aussi qu’il n’y a pas d’indicateur sur le pourcentage de propositions de

commande modifiées, ce qui pourrait indiquer la présence de problèmes dans les

propositions d’un fournisseur, ou au contraire la qualité de ses propositions : nous

pourrions donc avoir une indication importante sur les fournisseurs qui seraient éligibles

de passer au VMI.

3.1.2. Les pratiques chez les fournisseurs

Dans le but d’avoir une vision la plus complète possible de la GPA, onze parmi les vingt

fournisseurs les plus importants (en terme de chiffre d’affaire dans les pays analysés) ont

été interrogés à travers un questionnaire; pour deux parmi ces fournisseurs (Procter &

Gamble en France, Reckitt Benckiser en Italie) il a été possible de visiter le siège et

d’échanger directement sur les aspects du processus collaboratif et ses améliorations

possibles, ainsi que d’en observer le déroulement opérationnel.

Les opérations des analystes GPA chez un fournisseur sont tout à fait similaires à celles

d’un approvisionneur chez Carrefour : il s’agit dans les deux cas de décider (à l’aide d’un

outil ERP) des quantités à réapprovisionner sur des entrepôts, afin de garantir le


40

meilleure équilibre entre quantité à stock et niveau de service, et sous différents

contraintes. La différence plus évidente est que le nombre de références à gérer par un

producteur est réduit par rapport au total chez le distributeur : cette simple observation

constitue, comme nous avons expliqué précédemment, l’un des avantages de la GPA.

Les livraisons dans chaque centre de distribution Carrefour sont exécutées selon une

fréquence convenue, qui peut éventuellement varier d’une saison à l’autre pour les

produits à très haute saisonnalité, mais reste fixe pendent une saison : cette condition

répond au besoin d’uniformiser la charge de travail dans les entrepôts pendent les jours

de la semaine. Le niveau de stock dans chaque entrepôt est donc analysé par le

fournisseur avec une cadence fixe, L jours avant la livraison prévue, L étant le lead time

de réapprovisionnement (fixé de la même façon et non variable en général). L’outil ERP

fourni les niveaux des stocks de chaque référence, classées par niveau de couverture

croissant : ensuite, il fait automatiquement une premier proposition de

réapprovisionnement pour reporter le produits qui risquent une rupture aux niveaux

nominaux (qui varient de semaine en semaine, selon les prévisions à court terme). Il

s’agit donc à la base d’un system de gestion périodique (T,Sk) multi-produits, dans lequel

les références à réapprovisionner à chaque révision peuvent être différents (c'est-à-dire,

on a d’habitude une partie des références qui ont un stock nécessaire à couvrir la

demande prévue jusqu’à la prochaine révision). Un exemple du fonctionnement de cette

politique est donné en Figure 12.

0

10

20

30

40

50

60

70

80

90

0 5 10 15 20 25 30 35 40 45

Jours

Sto

ck

Ref. A Ref. B Ref. C Ref. D Ref. E

Figure 12: exemple de fonctionnement de politique (T, Sk) multi-produits


41

Les prévisions à très court terme sont faites avec des techniques plutôt simples (souvent

une moyenne des sorties des entrepôts dans les derniers n semaines, avec n variables

entre trois et six, ou bien avec lissage exponentiel), en dépurant l’historique des données

du aux promotions, et dans quelque cas seulement on a l’utilisation de coefficients de

saisonnalité. Le stock de sécurité est calculé en multipliant un facteur k pour la prévision

de la semaine à venir (la valeur de k dépende de l’intervalle entre deux livraisons, ainsi

que des autres facteurs qui impactent la variabilité de la demande).

Apres la première proposition de réapprovisionnement (exprimée en colis), l’outil ERP

arrondi selon les quantités minimales établies pour chaque référence (à la palette, à la

couche ou multiples de ces quantités); ensuite, l’analyste GPA intervient pour modifier la

proposition pour changer les quantités s’il a, par exemple, des informations que l’outil ne

peut pas prendre en compte, et qui modifient les prévisions des vente (et conséquemment

des sorties entrepôt). Enfin, l’outil et/ou l’analyste modifient encore une fois la

proposition afin d‘obtenir un remplissage du camion satisfaisant ; cette pratique de

« optimisation » du remplissage camion (due à différentes raisons, voir Section 3.1.4) est

mise en place par la quasi-totalité des fournisseurs ; les stratégies pour « compléter » le

camion sont différentes de fournisseur à fournisseur, et prévoient par exemple :

• le lissage du stock (quelques soit le type d’articles à livrer, on met n jours en plus

de couverture uniformément, jusqu’au remplissage);

• priorité aux fortes rotations sur les faibles rotations ;

• d’abord les articles en promotions (les quantités liées aux promotions et la période

de possible livraison sont concordées à l’avance) et les nouveaux produits ;

Même si la stratégie du remplissage camion n’est pas démontrée comme étant

« optimisante » pour les stocks ni pour l’ensemble de la chaîne, la majorité des

fournisseurs la pratiquent, et pourtant il n’existe pas des règles concordées dans le cadre

de la convention GPA de Carrefour sur le sujet, ni une suivi de son impact sur la qualité

du stock. Si la pénalisation est probablement peu importante pour tous les cas de

livraison très fréquente (les grands producteurs, les grands centres de distributions, les

fortes rotations), elle est sûrement plus élevée dans le cas contraire. Cette contrainte

semble difficilement évitable, car le fournisseur est poussé à sa fois par la politique

tarifaire du prestataire logistique (qui pénalise le camion non saturé), et qui la considère

comme l’un des avantages de la GPA; de plus, elle a constitué une des raisons principales


42

pour l’exclusion de la GPA des fournisseurs qui n’ont pas des volumes suffisants : ce

thème est développé dans la Section 3.1.4.

3.1.3. Données quantitatives

Les évaluation qui suivent sont basée sur deux parmi les performances plus importante

pour la gestion de stock : quantité à stock et niveau de service. Il faut préciser que chez

Carrefour la quantité en stock est exprimée en jours de couverture, c'est-à-dire, comme

ratio entre quantité en stock dans une période et quantité sortie en moyenne chaque jour

(s’il s’agit d’un entrepôt, ou vendue s’il s’agit d’un magasin) dans la même période. Le

niveau de service est calculé « aval » (voir la Section 3.1.1).

Nous avons évalué 22 fournisseurs (sur les 31 en GPA dans tous le pays analysés, soit

France, Italie et Belgique), pour lesquels il existe suffisamment de données sur le stock

logistique et le niveau de service; la moyenne des données a été pondérée sur le chiffre

d’affaire de chaque producteur dans chaque pays, pour prendre en compte les différences

existantes.

Stock vs Service Level 2004-2007

-0,03

-0,02

-0,01

0

0,01

0,02

0,03

-0,25 -0,15 -0,05 0,05 0,15 0,25

Stock Increase [%]

Ser

vice

leve

l Inc

reas

e [%

]

Worst

Stable

Best

Figure 13: évolution de stock et niveau de service pour trois groupes de fournisseurs en GPA

Les résultats d’évolution du stock en entrepôt permettent d’ordonner les fournisseurs

dans trois groupes : les meilleurs fournisseurs ont eu une évolution assez satisfaisante et

constante, par rapport aux objectifs stratégiques de la supply chain du groupe Carrefour


43

(qui mirent à diminuer le stock de 8 jours en 4 ans); par contre, il y a des fournisseurs

pour lesquels la GPA n’as apporté aucun avantage en terme de stock. De plus, le niveau

de service n’a pas progressé sur les dernières années, ce qui est contraire aux attentes du

processus collaboratif.

96,5%

97,0%

97,5%

98,0%

98,5%

99,0%

2004 2005 2006 2007 mai-08

Niv

eau

de s

ervi

ce

15

15,5

16

16,5

17

17,5

18

Sto

ck (

# jo

urs

de c

ouve

rtur

e)

Evolution du taux deserviceEvolution du stock

Figure 14: évolution de stock et niveau de service en moyenne pour 22 fournisseurs en GPA

La Figure 14 montre que globalement il y a une baisse de 1,6 jours de stock et 1,5 points

de niveau de service. Malgré le fait que ces résultats ne soient pas corrélés à la GPA pour

tous les fournisseurs, on ne peut pas dire que la GPA est toujours capable de donner les

améliorations qu’on envisage.

Nous aurions souhaité avoir la possibilité de comparer deux ou plusieurs fournisseurs

pratiquant ou pas la GPA, pour apprécier la différence par rapport l’approvisionnement

«classique » : cela n’as pas été possible, car la majorité des fournisseurs internationaux

est en GPA, et il est très difficile de comparer les performances de différents fournisseurs

(la seule différence des ventes change les rotations et rende une évaluation objective non

praticable).

On voit donc que, avec les pratiques et les contraintes existantes, la GPA n’est pas en

mesure de donner de la marge de progression sur une politique de stock dans le pays

« matures » et avec les flux à gros volumes; en effet, dans ces cas la stratégie va vers des

solutions différents, tels que le cross-docking. Malgré cela, la GPA conserve un intérêt

important dans le cas des flux à faible volume, comme nous montrons montre dans la

prochaine section.


44

3.1.4. Les perspectives : la GMA

La contrainte d’avoir une haute utilisation du camion est commune à tous les

fournisseurs, comme reporté par ECR France ([35]), pour plusieurs raisons :

� le problème du développement durable

� la disponibilité limité de capacité de transport, accentue par le déséquilibre de

croissance entre transport routier (en croissance) et modes différentes (transport

ferroviaire et fluvial)

� l’augment du coût du gazole et en générale de l’énergie

Dans ce cadre, l’intérêt de la GPA appliqué aux flux à faible volume a été montré par

l’ECR : les enjeux économiques sont de l’ordre de 1,2% du chiffre d’affaires des

industriels concernés ([27]). La collaboration entre fournisseurs dans le cadre de la GPA

peut apporter donc des avantages substantiels; la nécessité d’incrémenter ce type de

mutualisation est aussi décrite dans la vision de la supply chain présentée par [1].

Clairement, ces collaborations concernent à chaque fois un seul centre de distribution

Carrefour, et la possibilité d’étendre ces collaborations est strictement liée à la structure

géographique des réseaux logistiques; pour facilité la mutualisation, l’ECR France a

aussi mis en place une cartographie du transport1 des tous les entreprises partenaires.

Aujourd’hui, Carrefour a mise en place la GMA avec plusieurs fournisseurs en France

(quatre couples et quatre groupes de trois fournisseurs chacun) : les avantages du

processus sont évidentes ([28]), même s’il est difficile de prévoir à l’avance l’importance

du gain. D’ici le besoin de modéliser ce type de collaboration et d’identifier les facteurs

susceptibles de donner un avantage.

1 http://www.ecr-france.org/web/ecr_otdd.asp


45

4. Le modèle de simulation

4.1. Introduction

La simulation est, comme l’on peut voir dans la Section 2.2.1.2, l’une des techniques

utilisées pour estimer les avantages d’une collaboration entre les acteurs de la chaîne

logistique; ceci est dû au fait que ça se prête bien à comparer de changement de type

« what-if », comme dans le cas en analyse. Parmi les avantages, le principal est la

possibilité de prendre en compte des hypothèses beaucoup plus proches à la réalité (par

rapport aux modèles analytiques); par contre, les résultats sont valables que dans les

scénarios étudiés, et donc pas généralisables.

Vu la nécessité d’étudier un environnement avec des contraintes complexes à modéliser

analytiquement (tels que la contrainte de transport, voir Section 2.2.2), et l’objectif

d’examiner les bénéfices de la GPA avec mutualisation, la simulation apparaît être un

outil approprié pour cette recherche. L’objectif est en effet similaire à ce de [26]: on veut

dans ce cas comparer les performances d’une supply chain traditionnelle (d’ici en avant

nous utilisons l’abréviation « SCT »), avec GPA, et avec GMA.

La simulation à événements discrets permet de modéliser une supply chain avec

collaboration GPA de façon assez intuitive, une fois les flux physiques et les flux

d’informations identifiés. Le logiciel utilisé est Arena Simulation, un outil structuré pour

la simulation des flux.

4.2. Le modèle

Le modèle a été construit par étapes successives, comme expliqué dans la Section

4.2.2.1. Nous présenterons ici les versions finales du modèle (on a trois modèles de base

pour les trois configurations de supply chain); les hypothèses sont décrites dans la

Section 4.3.La supply chain traditionnelle

Le modèle de SCT est composé par un fournisseur et un distributeur, chacun avec son

centre de distribution, avec un seul produit.


46

En Arena, le modèle est formé par quatre flux principaux (Figure 16) qui modélisent :

� le flux de produits, de l’usine du fournisseur jusqu’au entre de distribution du

distributeur

� le processus de réapprovisionnement du fournisseur (à partir de son usine)

� le processus de commande du distributeur vers le fournisseur

� le processus d’arrivée de la demande vers le centre de distribution du distributeur

Entrepôt Distributeur

Magasins Entrepôt Fournisseur Usine

Fournisseur

Demande Commande Commande

Flux physique Flux d’informations

Figure 15 : modèle de supply chain traditionnelle

Figure 16: le modèle Arena de la supply chain traditionnelle

La demande arrive avec cadence quotidienne depuis tous les magasins rattachés à

l’entrepôt du distributeur (et en représente la demande cumulée, exprimée par multiple de

la quantité base de livraison) : elle est définie comme un variable, et peut être donc issue


47

d’une distribution stochastique dans le module « expression » de Arena. Nous n’avons

pas eu la possibilité d’utiliser les données sur la demande qui existent chez Carrefour,

pour la difficulté d’accès à l’historique d’une référence spécifique, la longueur limitée de

ce dernier (trois semaines) et surtout le fait que la demande liée aux promotions n’est pas

signalée : ceci peut ramener à de fausses conclusions sur la distribution de la demande.

Chez le distributeur et aussi chez le fournisseur, les prévisions sont faites avec le modèle

du lissage exponentiel, pour lequel vaut l’équation suivante :

1t1t1tt Prévisionsβ)BacklogSorties(αPrévisions −−− ⋅++⋅=

où t est la période successive à la livraison, Sorties est la somme des sorties de l’entrepôt

distributeur dans la période précédente, et Backlog et la quantité de demande non

satisfaite dans la dernière période (le modèle prend donc en compte le backlog). Ce

modèle de prévision est en effet utilisés chez certains fournisseurs majeurs pour le

prévisions à court terme, et présent l’avantage de n’avoir pas besoin de garder un

historique (ce qui n’est pas négligeable lorsqu’on gère un grand nombre de références);

nous avons fixé les valeurs de 3.0=α et 7.0=β , et nous ne changerons pas ces valeurs

dans les expériences de simulation, car la technique de prévision n’est pas le centre de

cette étude.

La dynamique du modèle est la suivante : la demande, à travers un signal, fait diminuer

le stock chez le distributeur et, s’il n’y a plus de produits, augmente le backlog.

L’information sur l’état du stock, comprenant le backlog et les livraisons en cours, est

passé au distributeur chaque T jours (T étant l’intervalle de révision), qui décide de la

quantité éventuelle à livrer, le niveau objectif Sk est défini selon les prévisions : nous

utilisons donc un modèle (T,Sk), que nous avons retrouvé dans la réalité ainsi que dans la

littérature scientifique, par exemple en [26]. Après le lead time de livraison, la quantité

de demande en backlog dans le cycle précèdent est supposée être satisfaite le premier

jour du nouveau cycle. Nous supposons que la demande est exprimée dans la quantité

base de livraison (colis, couche, ou palette).

Le stock de sécurité est défini comme un pourcentage de la prévision pour la période

suivante (ce genre de pratique est très utilisé dans le secteur de la distribution). De plus,

l’intervalle de réapprovisionnement et le lead time de l’usine au centre de distribution du

fournisseur sont égaux à trois fois ceux vers le distributeur : même dans ce cas, on fixe

ces valeurs car ils ne constituent pas le point centrale de notre analyse.


48

Les stocks des produits sont modélisés comme files d’attente. Nous considérons que

l’usine est capable de satisfaire toujours le besoin de l’entrepôt du fournisseur; ce dernier

nous sert à estimer l’une des performances de la supply chain traditionnelle, c'est-à-dire

le niveau de service vers l’entrepôt du distributeur. Le stock chez le fournisseur ne sera

pas analysé dans son détail, à cause des hypothèses présentes dans le modèle avec GPA

et GMA.

Les indicateurs graphiques présents dans le modèle (Figure 17) permettent d’examiner

l’évolution des stocks dans les entrepôts, ainsi que des niveaux de service (définis

comme « fill rate », c'est-à-dire ratio entre demande satisfaite et demande totale) amont et

aval par rapport à l’entrepôt du distributeur, et de l’utilisation des camions (entre

fournisseur et distributeur): la capacité du camion a été définie aussi comme variable, et

exprimée par multiple de la quantité base de livraison.

Figure 17: les indicateurs de performance


49

4.2.1. La supply chain avec GPA

Dans cette configuration on a trois sous-modèles (Figure 19), un par fournisseur, pour

lesquels la logique de fonctionnement est la même. Le fait d’avoir trois fournisseurs rend

possible la comparaison avec la GMA et n’influence pas négativement celle avec la SCT

(lorsque les fournisseurs ont exactement les même paramètres de fonctionnement on

obtiendra l’équivalent de trois réplications indépendantes).


Magasins

Entrepôt Fournisseur 1



Etat du stock

Demande


Figure 18 : modèle de supply chain avec GPA

Figure 19: le modèle Arena de la GPA


50

Pour chaque fournisseur les modifications par rapport à la chaîne traditionnelle

concernent le flux de produit et l’élaboration des prévisions et des décisions de livraison

(Figure 20).

Figure 20 : modélisation des flux physiques et d’information en GPA

Dans ce modèle il n’y plus l’usine du fournisseur, car ici nous considérons le niveau de

service entre fournisseur et distributeur égal à 100% (le stock chez le fournisseur est

toujours suffisant à couvrir la demande) : ceci se vérifie dans la réalité, et est dû au fait

que le fournisseur décide lui même des quantités à livrer selon ses disponibilités. Le

stock chez le fournisseur est donc toujours suffisant pour couvrir la demande.

Ainsi, le fournisseur a les informations sur l’état du stock dans l’entrepôt du distributeur

et décide les quantités à réapprovisionner (les commandes ne sont pas modifiables par le

distributeur, la collaboration est donc de type VMI).

4.2.2. La supply chain avec GMA

Dans ce scénario, les trois fournisseurs partagent leur centre de distribution, qui substitue

le trois centres présents dans la GMA. La logique de gestion de stock reste la même que

modèle GPA, mais la capacité de transport est partagée entre les trois fournisseurs, ce qui

amène à une fréquence de livraison plus importante (pour plus de détails voir la Section

4.3).


51


Magasins


Entrepôt Fournisseur

1+2+3

Etat du stock

Demande

Figure 21 : modèle de supply chain avec GMA

4.2.2.1. Vérification

La vérification d’un modèle de simulation consiste à s’assurer que le modèle fonctionne

correctement du point de vue formel, c'est-à-dire que le model logique et son

implémentation sur le logiciel correspondent. Cette étape est particulièrement importante

lorsqu’on utilise un logiciel qui n’est pas conçu spécifiquement pour la simulation (tels

que C, C++, Pascal, etc.) : Arena fournit en effet des alertes pour nombreux type

d’erreurs formels.

Toutefois, il est nécessaire de vérifier certains aspects; dans le cas du modèle utilisé, nous

avons par exemple identifié le problème dû à l’expression de la demande : si nous

l’exprimons comme variable dérivés d’une distribution stochastique, des valeurs négatifs

sont possibles, et dans ce cas le logiciel ne donne pas d’alertes; néanmoins, une demande

négative influence clairement l’évolution du stock et rend les résultats faux. Le problème

est facilement résoluble avec une condition sur la demande, qui la égalise à zéro dans le

cas où ça soit négative; nous rappelons qu’il est pourtant nécessaire de s’assurer que la

distribution de la demande ne contient pas de valeurs négatives, si on veut vérifier que le

modèle donne de résultats égaux à ceux qu’on connaît de la théorie de la gestion de

stock : le fait d’éliminer les valeurs inférieurs à zéro peut en effet « changer » la

distribution.

L’identification de ce problème à été possible grâce à la construction par étapes : en

partant d’un model simple, nous pouvons reconnaître plus facilement les anomalies dans


52

les résultats (par exemple en observant les évolutions après chaque événement) et en

rechercher les causes. L’anomalie sur la demande a été claire de que nous avons introduit

une expression stochastique de la même; par contre, dans le modèle final il aurait été plus

difficile d’observer l’anomalie des résultats et encore plus d’en détecter la cause.

4.2.2.2. Validation

Une fois la correction formelle du modèle vérifiée, il est nécessaire à contrôler que le

modèle est bien construit, c'est-à-dire que la modélisation représente le système réel.

L’animation des entités qui représentent le processus de commande et le flux physique

des produits a été utilisée pour vérifier la cohérence (au niveau de la succession

temporelle et au niveau mathématique) des événements; les graphiques des niveaux de

stock et de la demande ont été comparés entre eux avec le même objectif.

Nous avons aussi vérifié que dans des situations simplifiées le modèle suit les résultats

attendus : avec demande constante et lead time nul le niveau de service est égal à 100%.

En autre, en fixant la demande de chaque jour comme issue d’une variable avec

distribution uniforme entre 1 et 3, avec 2 jours d’intervalle de livraison et lead time nul,

et la prévision égale à 2 unités par jour, le fill rate est égal à98 , ce qui coïncide avec les

résultats théoriques.

De plus, nous avons contrôlé que la variabilité des statistiques est constante et distribué

normalement pour les réplications d’un même scénario, ce qui est confirmé par les

graphes en Figure 22 et Figure 23 et les valeurs du test de Anderson-Darling obtenus.


53

Fill rate

Percent

0,9290,9280,9270,9260,9250,9240,9230,9220,9210,920

99

95

90

80

70

60

50

40

30

20

10

5

1

Mean

0,351

0,9244

StDev 0,001356

N 15

AD 0,383

P-Value

Probability Plot of Fill rateNormal - 95% CI

Figure 22: distribution des valeurs de fill rate

Stock coverage

Percent

8,58,48,38,28,18,07,97,8

99

95

90

80

70

60

50

40

30

20

10

5

1

Mean

0,581

8,127

StDev 0,09317

N 15

AD 0,284

P-Value

Probability Plot of Stock coverageNormal - 95% CI

Figure 23: distribution des valeurs de couverture de stock


54

4.3. Les scénarios

Pour identifier les avantages de la collaboration entre les fournisseurs, nous avons crée

différents scénarios (à partir des trois principaux constitués par les niveaux de

collaboration dans la supply chain), afin d’évaluer l’impact des facteurs plus importants

dans le contexte.

L’utilisation de la capacité de transport entre les centres de distribution de fournisseur et

distributeur peut être une contrainte forte (dans le cas, assez fréquente dans la réalité, où

le fournisseur livre seulement avec des camions complets) ou pas. Pour les deux cas,

nous introduisons un seuil d’utilisation minimale, exprimée comme rapport entre la

prévision du besoin et la capacité du camion, au dessous de laquelle la livraison n’a pas

lieu (entraînant clairement un risque de rupture). Pour les scénarios avec GMA, la

logique est la même (on somme simplement la prévision de demande pour les trois

fournisseurs) et s’il existe la contrainte de camion complet, la capacité excèdent est

repartie de façon proportionnelle aux besoins des trois producteurs. Le modèle intègre

donc en même temps une politique de type (T,Sk) et une contrainte de transport

(différemment de [39] dont le modèle est décrit en Section 2.2.1.2.b).

Les contraintes sur la capacité de transport n’ont pas étés introduites entre usine et

entrepôts du fournisseur.

La demande vers l’entrepôt du distributeur suit une loi normale de moyenne égale à 15

dans la comparaison entre SCT et GPA; dans la comparaison entre GPA et GMA nous

introduisons une variabilité entre les demandes des trois fournisseurs, en gardant le

totale, selon les valeurs indiques en Tableau 2; ceci permettra d’évaluer l’éventuel impact

de la différence entre les producteurs.

Demande

fournisseur 1 Demande

fournisseur 2 Demande

fournisseur 3

None 15 15 15

Mean 15 12,5 17,5

High 15 10 20

Tableau 2: niveaux de demande moyenne pour les fournisseurs


55

La variance de la demande peut assumer des valeurs sur trois niveaux, calculées en

pourcentage sur la moyenne.

La capacité du camion utilisée entre les entrepôts du distributeur et du fournisseur est

variable entre 50, 100 et 150 unités; la prise en compte de la capacité comme variable

permet au fait de considérer un degré de liberté important du problème, qui est le ratio

entre la capacité de transport et la demande moyenne : par exemple, un scénario avec

demande moyenne 10 et capacité de transport 150 représente la situation d’un produit à

très faible rotation.

Le lead time de livraison au distributeur est variable entre 1, 2 et 3 jours. L’intervalle de

réapprovisionnement a été fixé en arrondissant le ratio

variance0,3moyenne demande

transportde capacitéionnementréapprovis de Intervalle

⋅+=

à l’entier inférieur (ou à 1 si l’entier inférieur est 0) : cette valeur n’est clairement pas

issue d’une optimisation (d’ailleurs nous ne considérons pas directement les coûts dans le

modèle de simulation) mais permet d’avoir un bon équilibre entre l’utilisation de la

capacité de transport et le risque de rupture. Par ailleurs, l’intervalle de

réapprovisionnement n’est pas optimum dans les cas réels, du fait de l’environnement

multi-produits et aux autres contraintes, et ne constitue pas l’objet de cette étude. Pour les

mêmes raisons, le stock de sécurité a été fixé à 20% de la prévision pour la période à

venir dans les cas GPA-GMA et 40% dans le cas de supply chain traditionnelle. Nous

avons fixé des valeurs différentes car cela permet de faire varier le niveau de service de

façon significative dans les différents scénarios.

Le lead time et l’intervalle de réapprovisionnement par l’usine (dans le cas de SCT) sont,

comme mentionné précédemment, le triple de ceux pour le distributeur.

Les facteurs utilisés pour les expériences de simulation sont résumés en Tableau 3.

Comme dit précédemment, dans la SCT la différence entre les demandes moyennes

n’existe pas (puisqu’il y a un seul fournisseur) : cette différence nous a amené à effectuer

dans un premier temps deux analyses séparées pour la comparaison entre SCT et GPA et

entre GPA et GMA.


56

Facteur Niveaux

Demand difference* None Mean High

Demande variance 10% 20% 30%

Lead Time 1 2 3

Minimum truck utilization 0,25 0,5 0,75

Truck capacity 50 100 150

Full truck constraint No Yes

Collaboration No Yes

Tableau 3: facteurs et niveaux utilisées pour les scénarios

4.4. Les résultats

4.4.1.1. Analyse préliminaire

Afin d’analyser correctement les résultats, la période transitoire (warm up) doit être

éliminée des statistiques, l’objectif de l’analyse étant l’état stationnaire du système.

Nous définissons X1, X2, …, Xm les différentes observations en output du système (par

exemple les valeurs de fill rate); en faisant l’hypothèse que

µ=∞→

))((lim iXEi

le nombre étant d’observations limitée à m nous obtenons

µ≈))(( mXE

Si nous ne considérons pas les observations dans la période transitoire, nous avons

∑+=−

=−m

diiXdm

dmXE1

1))((

L’égalité ci-dessus est un estimateur non biaisé de µ. Il est maintenant nécessaire

d’établir les valeurs appropriées de d et m pour avoir des résultats fiables : la méthode de

Welch nous permet de faire ce choix.


57

En supposant d’avoir un nombre de réplications n≥5, et étant Xij la jéme observation de la

iéme réplication, la moyenne des n réplications de chaque observation j est

∑=

=n

iijj X

nX

1

1

Nous pouvons donc tracer sur un graphe la moyenne mobile avec une fenêtre de

dimension w (avec 4

mw ≤ ) selon les égalités suivantes :

∑−=

++

=w

wm

mjj Xw

wX12

1)( avec w+1 ≤ j ≤ n-m

∑−

−−=−

−=

1

112

1)(

j

jm

mjj Xj

wX avec 1 ≤ j ≤ w

d (le temps de warm up) est donc le point au delà duquel la moyenne mobile converge.

Si la convergence n’est pas obtenue pour la valeur fixée w, une valeur plus grande est à

sélectionner et la procédure à réitérer.

En Figure 24 un exemple de moyenne mobile est montré : dans ce cas, avec une

moyenne mobile de 100 jours sur 15 réplications, la valeurs du fill rate est stable après

environ 120 jours.

0 50 100 150 200 250 300 350 400 450 5000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Day

Fill rate

Figure 24: moyenne mobile des valeurs de fill rate


58

Apres avoir fixé le temps de warm up, il est nécessaire de s’assurer que le nombre de

réplications 0n établi initialement soit suffisant pour obtenir une bonne précision sur les

performances mesurées. La moyenne pour chaque réplication est ∑=

=m

jjii X

mX

1,

1, et la

moyenne globale est ∑−

=n

jiX

nX

1

1. Il faut vérifier que les iX sont distribués selon une

normale (avec le logiciel Minitab, on peut utiliser un graphe du même type que celui en

Figure 22, qui report aussi le valeur du test de Anderson-Darling). Une fois la normalité

des résultats vérifiée, on fixe l’ampleur c de l’intervalle de confiance sur la performance

mesurée (généralement exprimé en pourcentage sur la moyenne) et le niveau de

confiance α , en prennent en compte le nombre de performances mesurées en même

temps et donc l’inégalité de Bonferroni ([10]).

s étant la déviation standard des valeurs obtenues dans les réplications, le nombre

minimum de réplications nécessaires à obtenir la précision souhaitée est

2

2

)1(,2/1min *

sc

tn n ⋅

= −−α

Si 0min nn > , on fait encore 0min nn − réplications et la procédure est réitérée jusqu’à

satisfaire la condition 0min nn ≤

Cette analyse a été conduite sur 16 scénarios pour la comparaison SCT/GPA et 32

scénarios pour la comparaison GPA/GMA, générés respectivement avec un plan factoriel

fractionné 262 − et 272 − en considérant les valeurs extrêmes (le plus bas et le plus haute)

pour les facteurs en Tableau 3. En effet, même si une partie de la procédure peut être

automatisée, par exemple avec Matlab, les valeurs de w et d restent à évaluer

« manuellement », ce qui rend impossible d’analyser la totalité des scénarios.


59

Nous avons choisi comme performance le fill rate et nous avons fixée les valeurs

suivantes :

� temps de simulation : 2000 jours

� nombre de réplications : 15

� ampleur de l’intervalle de confiance : 5% de la moyenne

� le niveau de confiance %01,0=α (dû au fait que nous mesurons en même

temps plusieurs performances)

Dans les cas les moins favorables, nous avons un temps de warm up de 120 jours et un

nombre de simulations égal à 11.

Nous fixons donc le nombre de réplications à 15 pour tous les scénarios, et le temps de

warm up à 150 jours, afin de rester en sécurité par rapport aux scénarios non analysés

dans cette phase.

4.4.2. Analyse avec la méthode ANOVA

Ayant un temps de simulation de chaque scénario relativement réduit (environ 15

seconds dans le module « Process Analyser » du logiciel Arena), nous avons eu la

possibilité d’effectuer des expériences sur l’ensemble des combinaisons obtenues avec

les niveaux des facteurs en Tableau 3, c'est-à-dire un plan factoriel complet (avec en total

1296 pour les deux comparaisons).

Ceci nous permet d’obtenir, un utilisant la méthode de l’ « ANOVA » (« ANalysis Of

Variance », [10]), comme fait par [26] et [39], la significativité et l’influence de

l’ensemble des facteurs et de leurs interactions sur les performances suivantes :

• niveau de stock dans le centre de distribution du distributeur (moyenne des

niveaux des trois fournisseurs), exprimée en jours de couverture

• fill rate de l’entrepôt du fournisseur à l’entrepôt du distributeur (moyenne des fill

rate des trois fournisseurs) d’ici en avant défini comme « vendor to retailer »

• fill rate aval de l’entrepôt du distributeur (moyenne des fill rate des trois

fournisseurs) d’ici en avant défini comme « retailer to store »

• taux de remplissage moyen du camion (la moyenne des taux de chaque

producteur dans le cas de non collaboration)


60

Nous n’analysons pas directement les coûts globaux sur la chaîne : même si ce type

d’analyse aurait permis d’exprimer de façon plus synthétique les résultats, les coûts

changent selon le type de produits, le configuration du réseau logistique, etc. Une telle

analyse manquerait donc de généralité; même dans les modèles de simulation existants

en littérature nous avons pu constater que les coûts prises en compte ne couvrent pas

toujours les différents aspects (comme mentionné précédemment, [26] considère par

exemple les seuls coûts de maintien à stock et de backlog).

Le logiciel utilisé pour ces analyses est Minitab. Nous montrons dans les sections qui

suivent seulement les graphes illustrant les effets principaux (c'est-à-dire du premier

ordre); les autres résultats sont reportés dans les Annexes 1.1.1 et suivants.

4.4.2.1. Comparaison entre supply chain traditionnelle et en GPA

4.4.2.1.a. La couverture de stock

La couverture de stock moyenne, exprimée en jours, a été mesuré facilement grâce aux

statistiques (calculé automatiquement par Arena) sur le temps moyen d’attente pour

chaque file existante dans le modèle : le fait de modéliser le stock dans le centre de

distribution comme file d’attente permet donc d’avoir directement la mesure de la

couverture de stock (moyenne dans le cas des trois fournisseur en GPA).

Mean of Stock Coverage

0,30,20,1

18

16

14

12

10

321 0,750,500,25

15010050

18

16

14

12

10

YesNo NoGPA

Dem Variance Lead Time Min truck utilization

Truck capacity Full truck Collaboration

Main Effects Plot (data means) for Stock Coverage

Figure 25: les effets principaux pour la couverture de stock (SCT vs GPA)


61

La Figure 29 montre que les facteurs qui influencent très peu la couverture de stock sont

la variance de la demande et le lead time; tous les autres facteurs sont significatifs, ce qui

est témoigné aussi pour les valeur des P-Value en Annexe 1.1.1.a. D’autre part, les

interactions doubles entre les facteurs apparaissent être non influentes.

La couverture de stock augmente à l’augmenter de la capacité du camion et du seuil

d’utilisation minimal, et est aussi très sensible à la contrainte de camion complet. Le

passage de SCT à une collaboration GPA amène à une diminution d’environ 8 jours de

couverture en moyenne.

Les résidus (Annexe 1.1.1.b) vérifient les hypothèses à la base de la méthode de

l’ANOVA.

4.4.2.1.b. Le taux de service (fill rate) « vendor to retailer »

Le fill rate a été mesuré en créant dans le modèle deux compteurs (avec les modules de

type « Record ») pour enregistrer respectivement les valeurs cumulées de demande et

demande non satisfaite, et en calculant la valeur

totaledemande

satisfaitenon demande1FR −=

Mean of Fill rate - Vendor to Retailer

0,30,20,1

0,95

0,90

0,85

321 0,750,500,25

15010050

0,95

0,90

0,85

YesNo NoGPA



Main Effects Plot (data means) for Fill rate - Vendor to Retailer

Figure 26: les effets principaux pour le fill rate « vendor to retailer » (SCT vs GPA)


62

La variance de la demande n’a pas un effet significatif (voir le P-Value en Annexe

1.1.2.a); le lead time présente un P-Value égal à 0.053, qui est en tout cas supérieur au

0,01 que nous avons fixé comme limite pour la significativité, vue la règle de Bonferroni.

Les autres facteurs sont tous significatifs, et le plus pénalisant est la contrainte de camion

complet, qui détermine une dégradation de plus de 10% du niveau de service entre

fournisseur et distributeur.

4.4.2.1.c. Le taux de service (fill rate) « retailer to store »

Ce taux de service a été mesuré da la même façon que le précèdent.

Nous observons (Figure 26) que la moyenne du taux de service aval de l’entrepôt du

distributeur est inférieure à celle amont d’environ le 7%. Les considérations sur la

significativité des facteurs restent les mêmes (Annexe 1.1.3.a), et même dans ce cas le

lead time a un P-Value proche de la limite établie, sans toutefois être significatif. La

capacité de transport et le passage en GPA sont ici les facteurs avec la majeure influence.

Mean of Fill rate - Retailer to Store

0,30,20,1

0,88

0,86

0,84

0,82

0,80

321 0,750,500,25

15010050

0,88

0,86

0,84

0,82

0,80

YesNo NoGPA



Main Effects Plot (data means) for Fill rate - Retailer to Store

Figure 27: les effets principaux pour le fill rate « retailer to store » (SCT vs GPA)

Les résidus vérifient les hypothèses de l’ANOVA (Annexe 1.1.3.b).


63

4.4.2.1.d. L’utilisation de la capacité de transport

L’utilisation de la capacité de transport a été calculée aussi à travers des compteurs; ces

compteurs ne sont clairement pas nécessaires lorsqu’une forte contrainte sur l’utilisation

est présente.

Mean of Truck utilization

0,30,20,1

0,90

0,88

0,86

0,84

0,82

321 0,750,500,25

15010050

0,90

0,88

0,86

0,84

0,82

YesNo NoGPA



Main Effects Plot (data means) for Truck utilization

Figure 28: les effets principaux pour l’utilisation des camions (SCT vs GPA)

Le facteur plus important est clairement la contrainte de camion complet, et nous

constatons à nouveau que les deux premiers facteurs n’influencent pas la performance.

De plus, la valeur minimale dans le graphe en Figure 28 est de 0.82, ce qui confirme que

la règle utilisée pour la détermination du paramètre T (Section 4.3) représente un bon

compromis entre utilisation du transport et risque de rupture.

4.4.2.2. Comparaison entre GPA et GMA

Comme mentionné précédemment, dans les expériences de simulation pour comparer

GPA et GMA nous étudions aussi un facteur lié à la différence de demande moyenne

entre les trois fournisseurs : nous pourrons en effet envisager d’affirmer qu’une

différence de demande entre les trois fournisseurs amène à des performances différentes

lorsqu’ils rentrent dans une collaboration de type GMA.


64

4.4.2.2.a. La couverture de stock

La couverture de stock moyenne est sensiblement moins importante par rapport à celle de

la SCT. La différence de demande ne présente pas un impact significatif; les différents

types de collaborations, la contrainte de camion complet et la capacité du camion

représentent ici les facteurs plus influents (voir l’Annexe 1.2.1.a).

Mean of Stock Coverage

NoneMeanHigh

10,0

7,5

5,0

0,30,20,1 321

0,750,500,25

10,0

7,5

5,0

15010050 YesNo

GPAGMA

10,0

7,5

5,0

Dem Difference Dem V ariance Lead Time

Min truck utilization Truck capacity Full truck

C ollaboration

Main Effects Plot (data means) for Stock Coverage

Figure 29: les effets principaux pour la couverture de stock (GPA vs GMA)

4.4.2.2.b. Le taux de service (fill rate) « retailer to store »

Le taux de service aval de l’entrepôt du distributeur est toujours assez haut, surtout en cas

de collaboration GMA.

Nous remarquons aussi que le choix de la quantité du stock de sécurité était correct, vu

que ça nous a permis d’atteindre un taux de service égal au 100% dans un nombre limité

de cas, et surtout en GMA. Un stock de sécurité plus élevé aurait peut être ramené à des

taux de service très hauts dans beaucoup de scénarios, et n’aurait donc pas montré les

avantages de la collaboration (même si la différence au niveau du stock aurait été

similaire).

En autre, le lead time semble n’avoir pas en effet comparable à des facteurs significatifs,

tout en restant inversement proportionnel au niveau de service.


65

Mean of Fill rate - Retailer to Store

NoneMeanHigh

1,00

0,95

0,90

0,30,20,1 321

0,750,500,25

1,00

0,95

0,90

15010050 YesNo

GPAGMA

1,00

0,95

0,90


Min truck utilization Truck capacity Full truck

C ollaboration

Main Effects Plot (data means) for Fill rate - Retailer to Store

Figure 30: les effets principaux pour le fill rate « retailer to store » (GPA vs GMA)

4.4.2.2.c. L’utilisation de la capacité de transport

L’intervalle de valeurs obtenues pour la capacité de transport est assez restreint et avec

une moyenne autour du 92.5%. Les contraintes liées à la capacité du camion sont

clairement significatives, et la collaboration détermine une amélioration assez nette.

Mean of Truck utilization

NoneMeanHigh

0,950

0,925

0,900

0,30,20,1 321

0,750,500,25

0,950

0,925

0,900

15010050 YesNo

GPAGMA

0,950

0,925

0,900


Min truck utilization Truck capacity F ull truck

C ollaboration

Main Effects Plot (data means) for Truck utilization

Figure 31: les effets principaux pour l’utilisation des camions (GPA vs GMA)


66

4.5. Comparaison globale

Après avoir analyse les deux comparaison séparément, le facteur ajouté lors de la

comparaison entre GPA et GMA ne s’avère pas être significatif par rapport aux

performances étudiées. La variabilité de la demande entre les fournisseurs résulte

d’ailleurs être un facteur non significatif même dans les analyses de Waller et al. ([49]).

Nous pouvons donc comparer globalement les résultats obtenus, afin de donner une

vision globale de l’analyse effectuée.

0

2

4

6

8

10

12

14

16

18

20

SCT GPA GMA

Sto

ck (

jour

s de

cou

vert

ure)

78%

80%

82%

84%

86%

88%

90%

92%

94%

96%

98%

100%

Niv

eau

de s

ervi

ce /

Util

isat

ion

tran

spor

tCouverture de stock Niveau de service Utilisation transport

Figure 32 : résultats globaux de la simulation

Le graphe en Figure 32 montre les niveaux moyens attendus pour chaque type de

collaboration.

Le passage à une collaboration GPA donne des avantages importantes en terme de

couverture de stock, avec une diminution d’environ 50% de jours de couverture. Le

même ratio est présent lorsque les fournisseurs passent à une collaboration GMA. De

plus, dans les scénarios étudiés, on est plutôt focalisé sur de produits à faible rotation

(comme mentionné dans la Section 2.1.4, c’est la situation plus favorable pour

l’application de la GMA), ce qui rend très forte l’impact de la collaboration.


67

Le niveau de service aval de l’entrepôt distributeur subit aussi des améliorations

remarquables, et passe de 80% à 88% avec une collaboration GPA, jusqu’au 99% avec la

GMA. Ce résultat est clairement dû à la fréquence de livraison qui augmente en cas de

GMA. L’intervalle des valeurs du niveau de service confirme le choix du stock de

sécurité (égal à 40% de la prévision pour la période successive pour la SCT et 20% pour

le cas de GPA et GMA).

L’augmentation de la fréquence de livraison en GMA n’endommage pas l’utilisation du

transport, qui au contraire augmente. La collaboration GPA est aussi meilleure que la

SCT: ce résultat est probablement causé par la majeure variabilité de la demande

observée par le fournisseur dans la SCT, qui provoque à la fois des quantités livrées très

différentes d’une période à l’autre. Plus globalement, nous remarquons que les

contraintes d’utilisation de la capacité de transport sont parfois très pénalisantes pour les

autres performances : leur application devrait être étudiée avec attention, car le gain

« locale » sur le transport peut induire des pertes importantes au niveau du stock et de la

qualité de service.


69

5. Conclusions et perspectives

Dans ce mémoire, nous avons considéré deux pratiques collaboratives présentes dans le

secteur de la distribution : la GPA et la GMA. Nous nous sommes focalisés sur les

améliorations que ces processus apportent à la gestion traditionnelle de la supply chain,

et nous les avons évaluées à travers un modèle de simulation.

L’intérêt de la coordination dans la supply chain, qui peut apporter des bénéfices

substantiels, est prouvé par les nombreuses publications sur le sujet, dans les revues aussi

bien spécialisées que scientifiques. La GPA est l’un des sujets qui a le plus intéressé les

manageurs et les chercheurs : les enjeux économiques sont en effet considérables pour le

secteur industriel et celui des services. La recherche peut aider à quantifier ces enjeux et

à aller vers une optimisation globale de la chaîne.

Les chercheurs ont étudié différents aspects de la GPA, en se focalisant sur les

performances par rapport à d’autres pratiques collaboratives, sur l’optimisation des

paramètres de gestion, ou sur les facteurs qui caractérisent le succès de sa mise en place.

Les hypothèses formulées dans la modélisation du processus dépendent de

l’environnement considéré et de l’approche (analytique ou de simulation) choisie. Par

contre, nous n’avons pas retrouvé dans la littérature des publications qui s’adressent

directement à l’évaluation des avantages de la GMA : cette collaboration, qui associe les

avantages de la GPA à une mutualisation du transport et du stockage par plusieurs

fournisseur, a été appliquée plus récemment, ce qui pourrait être la raison d’un manque

d’articles qui lui sont dédiés. Toutefois, il existe une thématique proche, à savoir la

gestion de stock multi-produits : les recherches dans ce secteur se concentrent plutôt vers

l’optimisation de la gestion; il est difficile d’obtenir une expression analytique des coûts

globaux envisageables dans un tel environnement, qui nous aurait permis d’évaluer

analytiquement (bien que de façon approximée) les avantages de la GMA par rapport à la

GPA.


70

Les différentes contraintes existantes dans l’environnements étudié, ainsi que le fait que

plusieurs chercheurs ont comparé des processus collaboratifs à travers la simulation, nous

a fait sélectionner cette technique pour comparer une supply chain traditionnelle à une

supply chain avec collaboration GPA et avec GMA. Les résultats démontrent que la GPA

est avantageuse par rapport à une gestion « classique » des flux de produits, comme dans

les articles en littérature; de plus, le modèle prouve l’avantage ultérieur donné par la

mutualisation. Les performances mesurées permettent ainsi d’évaluer, de façon indirecte,

les coûts liés à la gestion de stock pour le distributeur.

Notre modèle a évidemment toutes le limites des modèles de simulation : les résultats ne

sont valables qu‘avec des hypothèses et le fonctionnement considérés. La supply chain

étudiée est limitée à trois fournisseurs, chacun avec un seul produit, un seul entrepôt du

distributeur, et la demande cumulée est supposée avoir une distribution normale. Nous

n’avons pas analysé le flux à partir de la fabrication des produits, ni les magasins ou les

client finaux. Ces limites peuvent faire l’objet d’extensions dans les recherches futures.

Les stratégies de gestion aptes à optimiser la GMA peuvent constituer aussi une piste de

recherche très intéressante: les problèmes de coordination des différents sujets

(fournisseurs, distributeurs, prestataires logistiques) demandent en effet des outils et des

algorithmes capables de gérer la forte complexité qui caractérise cette environnement.


71

Bibliographie

[1]. 2016 Future supply chain. Serving consumers in a sustainable way, 2008, GCI -

Cap Gemini, http://www.gci-net.org

[2]. A comparison of three joint ordering policies. Pantumsinchai, P., 1992, Decision

Sciences, 23, pp. 111- 127

[3]. A genetic algorithm for optimal operating parameters of VMI system in a two-

echelon supply chain, Nachiappan, S.P., Jawahar, N., 2007, European Journal

of Operational Research, 182, pp. 1433-1452

[4]. A review of the joint replenishment problem literature: 1989–2005, Khoujaa, M.,

Goyalb, S., 2008, European Journal of Operational Research, 186, pp. 1-16

[5]. A supply chain model of the vendor managed inventory, Dong, Y., Xu, F., 2002,

Transportation Research Part E, 38, pp. 75-95

[6]. An efficient optimal solution method for the joint replenishment problem with

minimum order quantities, Porras, E., Dekker, R., 2006, European Journal of

Operational Research, 174, pp. 1595–1615

[7]. An optimal solution technique for the joint replenishment problem with storage and

transport capacities and budget constraints, Hoque, M.A., 2006, European

Journal of Operational Research, 175, pp. 1033–1042

[8]. Coordinated replenishments in a multi-item inventory system with compound

poisson demands and constant lead times, Federgruen, A., Greoenevelt, H.,

Tijms, H., 1984, Management Science, 30, pp. 344-357

[9]. Defining supply chain management, Mentzer, J. T., DeWitt, W., Keebler, J. S.,

Min, S., Nix, N. W., Smith, C. D., Zacharia, Z. G., 2001, Journal of Business

Logistics, 22, pp.1-25

[10]. Design and analysis of experiments, Douglas C. Montgomery, 2004, Wiley

[11]. Effectiveness of vendor-managed inventory in the electronics industry:

determinants and outcomes, Kuk, G., 2004, Information & Management, 41,

pp. 645-654


72

[12]. Environmental determinants of VMI adoption: An exploratory analysis, Donga, Y.,

Xub, K., Dresnerc, M., 2007, Transportation Research Part E, 43, pp. 355-

369

[13]. Etat de l'art de la GPA, 2007, GS1 France, http://www.gs1.fr

[14]. Forecasting collaboration in European grocery sector: Observation from a case

study, Smaros, J., 2007, Journal of Operations Management, 25, pp. 702-716

[15]. Global brief on vendor managed inventory, Saipe, A., Geiger, J., 1996, KPMG

Consulting Canada

[16]. GPA – Manuel de mise en œuvre des outils d’identification et de communication,

2001, GENCOD EAN France

[17]. Implementing collaborative forecasting to improve supply chain performance,

McCarthy, T. M., Golicic, S. L., 2002, International Journal of Physical

Distribution & Logistics Management, 32, pp. 431-454

[18]. Joint replenishment problem with truck cost structure, Tanrikulu, M.M., 2006,

MSc Thesis, Bilkent Universisty

[19]. La GMA (Gestion Mutualisée des Approvisionnements), 2006,

http://www.physicalsupplychains.com/

[20]. Heineken Italia, A brewing giant rebuilds its model of the customer model with

mySap customer relationship management, 2004, Sap AG,

http://www.sap.com

[21]. Managing a retailer's shelf space, inventory and transportation, Cachon, G., 2001,

Manufacturing and Service Operations Management, 3, pp. 211-229.

[22]. Managing information flows for improved value chain performance, Bailey, K.,

Francis, M., 2007, International Journal of Production Economics, 111, pp.

2-12

[23]. MySap Supply Chain Management at L’Oreal Germany, 2004, Sap AG,

http://www.sap.com

[24]. North Coast Electric Improves Supply Chain Using VMI, 2006,

http://www.datalliance.net


73

[25]. On a basic class on inventory problems, Balintfy, J.L., 1964, Management Science,

10, pp.287-297

[26]. On the benefits of CPFR and VMI: A comparative simulation study, Sari, K, 2008,

International Journal of Production Economics, In Press

[27]. Optimisation logistique multifournisseurs, multiclients et intégration des

prestataires. Multipick, multidrop, GPA mutualisée, 2002, ECR France,

http://www.ecr-france.org

[28]. Optimisation du transport et développement durable : solutions multiacteurs pour le

transport routier, 2007, Olivier Labasse, ECR France, http://www.ecr-

france.org

[29]. Optimizing supply chain collaboration based on joint replenishment and channel

coordination, Chen, T. H., Chen, J. M., 2005, Transportation Research Part

E, 41, pp. 261-285

[30]. Performance analysis of forecast driven vendor managed inventory system,

Nachiappan, S.P, Jawahar, N., Parthibaraj, S.C., Brucelee, B., 2005, Journal

of Advanced Manufacturing Systems, 22, pp. 209-226

[31]. Periodic versus can-order policies for coordinated multi-item inventory systems.

Atkins, D. R., Iyogun, P. O., 1988, Management Science, 34, pp. 791-796

[32]. Piloter la Supply Chain par la demande client - Du concret en GPA mutualisée,

2007, Supply Chain Magazine, 15

[33]. Six steps to a successful VMI system, Wright, K., 2002, Supply Chain Resource

Cooperative, http://scm.ncsu.edu

[34]. Some characteristics of a special joint-order inventory model, Silver, E. A., 1965,

Operations Research, 13, pp. 319-322.

[35]. Solutions multiacteurs d’optimisation du transport routier pour un développement

durable, 2006, ECR France, http://www.ecr-france.org

[36]. ST, HP VMI program hitting its stride, Shah, J.B., 2002, Electronics - Supply and

Manufacturing, http://www.my-esm.com


74

[37]. Stock Replenishment and Shipment Scheduling for Vendor-Managed Inventory

Systems, Çetinkaya, S., Lee, C.Y., 2000, Management Science, 46, pp. 217-

232

[38]. Sun clears out inventory costs through new supplier program, Shah, J.B., 2002,

Electronics - Supply and Manufacturing, http://www.my-esm.com

[39]. Supply chain information sharing in a vendor managed inventory partnership,

Angulo, A., Nachtmann, H., Waller, M., 2004, Journal of Business Logistics,

25, pp. 101-120

[40]. The collaborative supply chain: a scheme for information sharing and incentive

alignment, Simatupang, T.M., Sridharan, R., 2002, The International Journal

of Logistics Management, 13, pp. 15-30

[41]. The bullwhip effect in supply chains, Lee, H.L., Padmanabhan, V., Whang, S.,

1997, Sloan Management Review, 387, pp. 93-102

[42]. The effect of vendor managed inventory (VMI) dynamics on the Bullwhip Effect in

supply chains, Disney, S. M., Towill, D. R,, 2003, International Journal of

Production Economics, 85, pp. 199-215

[43]. The effectiveness of using e-collaboration tools in the supply chain: an assessment

study with system dynamics, Ovallea, O.A., Marquez, A. C., 2003, Journal of

Purchasing & Supply Management, 9, pp. 151–163

[44]. The inventory benefit of shipment coordination and stock rebalancing in a supply

chain, Cheung, K.L., Lee, H.L., 2002, Management Science, 48, pp. 300-306

[45]. The inventory value of information sharing, continuous replenishment, and vendor-

managed inventory, Yao, Y., Dresner, M., 2008, Transportation Research

Part E, 44, pp. 361-378

[46]. The joint replenishment problem with resource restriction, Moon, I.K., Cha, B.C.,

2006 European Journal of Operational Research, 173, pp. 190–198

[47]. Value-chain report - Vendor-Managed Inventory in low-volume environments,

O'Brien, K., 2003, Industry Week, http://www.iwvaluechain.com

[48]. Vendor managed inventory (VMI): Three Steps in Making It Work, Scott Frahm,

2003, Supply Chain Resource Cooperative, http://scm.ncsu.edu


75

[49]. Vendor managed inventory in the retail supply chain, Waller, M., Johnson, M.E.,

Davis, T., 1999, Journal of Business Logistics, 20, pp. 183-203

[50]. Vendor managed inventory models in Sweden -Industrial benchmarking

experiences from autumn 2006, Hemilä, J., Jansson, K., 2007, VTT Working

Papers

[51]. VMI gains elusive for some, but not for Volvo Powertrain, 2004, Manufacturing

Business Technology, http://www.mbtmag.com/

[52]. VMI: what are you loosing if you let your customers place orders, Kaipia, R.,

Holmström, J., Tanskanen, K., 2002, Production Planning and Control, 13,

pp. 17-25

[53]. Vendor-managed inventory and bullwhip reduction in a two-level supply chain,

Disney, S.M., Towill, D.R., 2003, International Journal of Operations &

Production Management, 23, pp. 625-651

[54]. What is VMI?, Hall, C., 2003, Enterprise Data Management,

http://www.datalliance.net

[55]. Who should control inventory in a supply chain?, Lee, C. C., Chu, W. H. J., 2005,

European Journal of Operational Research, 164, pp. 158-172


I

Annexes

1.1. ANOVA pour la comparaison SCT-GPA

1.1.1. ANOVA pour la couverture de stock

1.1.1.a. Résultats numériques

Analysis of Variance for Stock Coverage, using Adjusted SS for Tests Source DF Seq SS Adj SS Adj MS F Dem Variance 2 18,28 18,28 9,14 0,43 Lead Time 2 55,89 55,89 27,95 1,32 Min truck utilization 2 1158,39 1158,39 579,20 27,32 Truck capacity 2 1008,11 1008,11 504,05 23,78 Full truck 1 2466,74 2466,74 2466,74 116,36 Collaboration 1 5656,26 5656,26 5656,26 266,81 Dem Variance*Lead Time 4 41,44 41,44 10,36 0,49 Dem Variance*Min truck utilization 4 125,02 125,02 31,25 1,47 Dem Variance*Truck capacity 4 9,38 9,38 2,34 0,11 Dem Variance*Full truck 2 64,35 64,35 32,17 1,52 Dem Variance*Collaboration 2 59,87 59,87 29,94 1,41 Lead Time*Min truck utilization 4 58,81 58,81 14,70 0,69 Lead Time*Truck capacity 4 217,58 217,58 54,40 2,57 Lead Time*Full truck 2 21,58 21,58 10,79 0,51 Lead Time*Collaboration 2 18,61 18,61 9,31 0,44 Min truck utilization*Truck capacity 4 51,34 51,34 12,84 0,61 Min truck utilization*Full truck 2 27,89 27,89 13,95 0,66 Min truck utilization*Collaboration 2 20,52 20,52 10,26 0,48 Truck capacity*Full truck 2 83,32 83,32 41,66 1,97 Truck capacity*Collaboration 2 109,57 109,57 54,78 2,58 Full truck*Collaboration 1 42,63 42,63 42,63 2,01 Error 272 5766,26 5766,26 21,20 Total 323 17081,86 Source P Dem Variance 0,650 Lead Time 0,269 Min truck utilization 0,000 Truck capacity 0,000 Full truck 0,000 Collaboration 0,000 Dem Variance*Lead Time 0,744 Dem Variance*Min truck utilization 0,210 Dem Variance*Truck capacity 0,979 Dem Variance*Full truck 0,221 Dem Variance*Collaboration 0,245 Lead Time*Min truck utilization 0,597 Lead Time*Truck capacity 0,039 Lead Time*Full truck 0,602 Lead Time*Collaboration 0,645 Min truck utilization*Truck capacity 0,659 Min truck utilization*Full truck 0,519 Min truck utilization*Collaboration 0,617 Truck capacity*Full truck 0,142 Full truck*Collaboration 0,157


II

Error Total S = 4,60429 R-Sq = 66,24% R-Sq(adj) = 59,91%

1.1.1.b. Vérification des hypothèses sur les résidus

Residual

Percent

1050-5-10

99,9

99

90

50

10

1

0,1

Fitted Value

Residual

3020100

10

5

0

-5

-10

Residual

Frequency

129630-3-6-9

40

30

20

10

0

Observation Order

Residual

300250200150100501

10

5

0

-5

-10

Normal Probability Plot of the Residuals Residuals Versus the Fitted Values

Histogram of the Residuals Residuals Versus the Order of the Data

Residual Plots for Stock Coverage

1.1.2. ANOVA pour le fill rate « Vendor to retailer »


Analysis of Variance for Fill rate - Vendor to Retailer, using Adjusted SS for Tests Source DF Seq SS Adj SS Adj MS F Dem Variance 2 0,010176 0,010176 0,005088 1,49 Lead Time 2 0,019038 0,019038 0,009519 2,79 Min truck utilization 2 0,121656 0,121656 0,060828 17,82 Truck capacity 2 0,348191 0,348191 0,174095 51,00 Full truck 1 1,137041 1,137041 1,137041 333,09 Collaboration 1 0,571863 0,571863 0,571863 167,53 Dem Variance*Lead Time 4 0,019206 0,019206 0,004801 1,41 Dem Variance*Min truck utilization 4 0,016408 0,016408 0,004102 1,20 Dem Variance*Truck capacity 4 0,007943 0,007943 0,001986 0,58 Dem Variance*Full truck 2 0,002274 0,002274 0,001137 0,33 Dem Variance*Collaboration 2 0,005328 0,005328 0,002664 0,78 Lead Time*Min truck utilization 4 0,015842 0,015842 0,003961 1,16 Lead Time*Truck capacity 4 0,014312 0,014312 0,003578 1,05 Lead Time*Full truck 2 0,007584 0,007584 0,003792 1,11 Lead Time*Collaboration 2 0,008106 0,008106 0,004053 1,19 Min truck utilization*Truck capacity 4 0,034006 0,034006 0,008501 2,49 Min truck utilization*Full truck 2 0,005961 0,005961 0,002981 0,87 Min truck utilization*Collaboration 2 0,006339 0,006339 0,003170 0,93 Truck capacity*Full truck 2 0,006714 0,006714 0,003357 0,98


III

Truck capacity*Collaboration 2 0,000827 0,000827 0,000414 0,12 Full truck*Collaboration 1 0,000082 0,000082 0,000082 0,02 Error 272 0,928492 0,928492 0,003414 Total 323 3,287390 Source P Dem Variance 0,227 Lead Time 0,063 Min truck utilization 0,000 Truck capacity 0,000 Full truck 0,000 Collaboration 0,000 Dem Variance*Lead Time 0,232 Dem Variance*Min truck utilization 0,310 Dem Variance*Truck capacity 0,676 Dem Variance*Full truck 0,717 Dem Variance*Collaboration 0,459 Lead Time*Min truck utilization 0,329 Lead Time*Truck capacity 0,383 Lead Time*Full truck 0,331 Lead Time*Collaboration 0,307 Min truck utilization*Truck capacity 0,044 Min truck utilization*Full truck 0,419 Min truck utilization*Collaboration 0,396 Truck capacity*Full truck 0,375 Truck capacity*Collaboration 0,886 Full truck*Collaboration 0,877 Error Total S = 0,0584258 R-Sq = 71,76% R-Sq(adj) = 66,46%


Residual

Percent

0,20,10,0-0,1-0,2

99,9

99

90

50

10

1

0,1

Fitted Value

Residual

1,11,00,90,80,7

0,10

0,05

0,00

-0,05

-0,10

Residual

Frequency

0,120,080,040,00-0,04-0,08-0,12

30

20

10

0

Observation Order

Residual

300250200150100501

0,10

0,05

0,00

-0,05

-0,10



Residual Plots for Fill rate - Vendor to Retailer


IV

1.1.3. ANOVA pour le fill rate « Retailer to Store »


Analysis of Variance for Fill rate - Retailer to Store, using Adjusted SS for Tests Source DF Seq SS Adj SS Adj MS F Dem Variance 2 0,007663 0,007663 0,003831 1,08 Lead Time 2 0,023884 0,023884 0,011942 3,36 Min truck utilization 2 0,232041 0,232041 0,116020 32,67 Truck capacity 2 0,425470 0,425470 0,212735 59,90 Full truck 1 0,419660 0,419660 0,419660 118,16 Collaboration 1 0,526187 0,526187 0,526187 148,15 Dem Variance*Lead Time 4 0,006437 0,006437 0,001609 0,45 Dem Variance*Min truck utilization 4 0,005094 0,005094 0,001273 0,36 Dem Variance*Truck capacity 4 0,023588 0,023588 0,005897 1,66 Dem Variance*Full truck 2 0,010230 0,010230 0,005115 1,44 Dem Variance*Collaboration 2 0,003286 0,003286 0,001643 0,46 Lead Time*Min truck utilization 4 0,002893 0,002893 0,000723 0,20 Lead Time*Truck capacity 4 0,011918 0,011918 0,002979 0,84 Lead Time*Full truck 2 0,001283 0,001283 0,000641 0,18 Lead Time*Collaboration 2 0,009727 0,009727 0,004864 1,37 Min truck utilization*Truck capacity 4 0,058308 0,058308 0,014577 4,10 Min truck utilization*Full truck 2 0,007028 0,007028 0,003514 0,99 Min truck utilization*Collaboration 2 0,002690 0,002690 0,001345 0,38 Truck capacity*Full truck 2 0,003582 0,003582 0,001791 0,50 Truck capacity*Collaboration 2 0,011467 0,011467 0,005733 1,61 Full truck*Collaboration 1 0,001665 0,001665 0,001665 0,47 Error 272 0,966041 0,966041 0,003552 Total 323 2,760141 Source P Dem Variance 0,341 Lead Time 0,036 Min truck utilization 0,000 Truck capacity 0,000 Full truck 0,000 Collaboration 0,000 Dem Variance*Lead Time 0,770 Dem Variance*Min truck utilization 0,838 Dem Variance*Truck capacity 0,159 Dem Variance*Full truck 0,239 Dem Variance*Collaboration 0,630 Lead Time*Min truck utilization 0,936 Lead Time*Truck capacity 0,501 Lead Time*Full truck 0,835 Lead Time*Collaboration 0,256 Min truck utilization*Truck capacity 0,003 Min truck utilization*Full truck 0,373 Min truck utilization*Collaboration 0,685 Truck capacity*Full truck 0,604 Truck capacity*Collaboration 0,201 Full truck*Collaboration 0,494 Error Total S = 0,0595955 R-Sq = 65,00% R-Sq(adj) = 58,44%


V


Residual

Percent

0,20,10,0-0,1-0,2

99,9

99

90

50

10

1

0,1

Fitted Value

Residual

1,00,90,80,70,6

0,1

0,0

-0,1

-0,2

Residual

Frequency

0,1350,0900,0450,000-0,045-0,090-0,135-0,180

40

30

20

10

0

Observation Order

Residual

300250200150100501

0,1

0,0

-0,1

-0,2



Residual Plots for Fill rate - Retailer to Store

1.1.4. ANOVA pour le taux de remplissage camion


Analysis of Variance for Truck utilization, using Adjusted SS for Tests Source DF Seq SS Adj SS Adj MS F Dem Variance 2 0,012358 0,012358 0,006179 1,21 Lead Time 2 0,024546 0,024546 0,012273 2,39 Min truck utilization 2 0,098118 0,098118 0,049059 17,54 Truck capacity 2 0,215973 0,215973 0,107986 38,61 Full truck 1 0,633242 0,633242 0,633242 226,43 Collaboration 1 0,148209 0,148209 0,148209 52,99 Dem Variance*Lead Time 4 0,013602 0,013602 0,003400 1,22 Dem Variance*Min truck utilization 4 0,019201 0,019201 0,004800 1,72 Dem Variance*Truck capacity 4 0,005507 0,005507 0,001377 0,49 Dem Variance*Full truck 2 0,000324 0,000324 0,000162 0,06 Dem Variance*Collaboration 2 0,001140 0,001140 0,000570 0,20 Lead Time*Min truck utilization 4 0,004578 0,004578 0,001144 0,41 Lead Time*Truck capacity 4 0,014038 0,014038 0,003509 1,25 Lead Time*Full truck 2 0,000861 0,000861 0,000431 0,15 Lead Time*Collaboration 2 0,000859 0,000859 0,000429 0,15 Min truck utilization*Truck capacity 4 0,003431 0,003431 0,000858 0,31 Min truck utilization*Full truck 2 0,001252 0,001252 0,000626 0,22 Min truck utilization*Collaboration 2 0,011147 0,011147 0,005573 1,99 Truck capacity*Full truck 2 0,001452 0,001452 0,000726 0,26 Truck capacity*Collaboration 2 0,000787 0,000787 0,000394 0,14 Full truck*Collaboration 1 0,000106 0,000106 0,000106 0,04 Error 272 0,760696 0,760696 0,002797 Total 323 1,971425 Source P Dem Variance 0,224


VI

Lead Time 0,026 Min truck utilization 0,000 Truck capacity 0,000 Full truck 0,000 Collaboration 0,000 Dem Variance*Lead Time 0,304 Dem Variance*Min truck utilization 0,147 Dem Variance*Truck capacity 0,741 Dem Variance*Full truck 0,944 Dem Variance*Collaboration 0,816 Lead Time*Min truck utilization 0,802 Lead Time*Truck capacity 0,288 Lead Time*Full truck 0,857 Lead Time*Collaboration 0,858 Min truck utilization*Truck capacity 0,873 Min truck utilization*Full truck 0,800 Min truck utilization*Collaboration 0,138 Truck capacity*Full truck 0,772 Truck capacity*Collaboration 0,869 Full truck*Collaboration 0,846 Error Total S = 0,0528836 R-Sq = 61,41% R-Sq(adj) = 54,18%


Residual

Percent

0,20,10,0-0,1-0,2

99,9

99

90

50

10

1

0,1

Fitted Value

Residual

1,00,90,80,7

0,2

0,1

0,0

-0,1

-0,2

Residual

Frequency

0,120,060,00-0,06-0,12

60

45

30

15

0

Observation Order

Residual

300250200150100501

0,2

0,1

0,0

-0,1

-0,2



Residual Plots for Truck utilization


VII

1.2. ANOVA pour la comparaison GPA-GMA

1.2.1. ANOVA pour la couverture de stock


Analysis of Variance for Stock Coverage, using Adjusted SS for Tests Source DF Seq SS Adj SS Adj MS F Dem Difference 2 47,86 47,86 23,93 0,89 Dem Variance 2 120,02 120,02 60,01 2,22 Lead Time 2 86,95 86,95 43,48 1,61 Min truck utilization 2 1331,77 1331,77 665,88 24,67 Truck capacity 2 4677,97 4677,97 2338,99 86,67 Full truck 1 7774,85 7774,85 7774,85 288,08 Collaboration 1 5715,08 5715,08 5715,08 211,76 Dem Difference*Dem Variance 4 153,23 153,23 38,31 1,42 Dem Difference*Lead Time 4 228,47 228,47 57,12 2,12 Dem Difference*Min truck utilization 4 122,61 122,61 30,65 1,14 Dem Difference*Truck capacity 4 91,30 91,30 22,83 0,85 Dem Difference*Full truck 2 16,99 16,99 8,50 0,31 Dem Difference*Collaboration 2 71,04 71,04 35,52 1,32 Dem Variance*Lead Time 4 39,10 39,10 9,77 0,36 Dem Variance*Min truck utilization 4 96,81 96,81 24,20 0,90 Dem Variance*Truck capacity 4 90,53 90,53 22,63 0,84 Dem Variance*Full truck 2 51,13 51,13 25,57 0,95 Dem Variance*Collaboration 2 96,32 96,32 48,16 1,78 Lead Time*Min truck utilization 4 146,17 146,17 36,54 1,35 Lead Time*Truck capacity 4 19,63 19,63 4,91 0,18 Lead Time*Full truck 2 9,84 9,84 4,92 0,18 Lead Time*Collaboration 2 44,13 44,13 22,07 0,82 Min truck utilization*Truck capacity 4 128,80 128,80 32,20 1,19 Min truck utilization*Full truck 2 31,03 31,03 15,52 0,57 Min truck utilization*Collaboration 2 4,54 4,54 2,27 0,08 Truck capacity*Full truck 2 73,49 73,49 36,74 1,36 Truck capacity*Collaboration 2 69,97 69,97 34,98 1,30 Full truck*Collaboration 1 3,24 3,24 3,24 0,12 Error 898 24235,38 24235,38 26,99 Total 971 45578,24 Source P Dem Difference 0,412 Dem Variance 0,109 Lead Time 0,200 Min truck utilization 0,000 Truck capacity 0,000 Full truck 0,000 Collaboration 0,000 Dem Difference*Dem Variance 0,226 Dem Difference*Lead Time 0,077 Dem Difference*Min truck utilization 0,338 Dem Difference*Truck capacity 0,496 Dem Difference*Full truck 0,730 Dem Difference*Collaboration 0,269 Dem Variance*Lead Time 0,836 Dem Variance*Min truck utilization 0,465 Dem Variance*Truck capacity 0,501 Dem Variance*Full truck 0,388 Dem Variance*Collaboration 0,168 Lead Time*Min truck utilization 0,248 Lead Time*Truck capacity 0,948 Lead Time*Full truck 0,833 Lead Time*Collaboration 0,442


VIII

Min truck utilization*Truck capacity 0,312 Min truck utilization*Full truck 0,563 Min truck utilization*Collaboration 0,919 Truck capacity*Full truck 0,257 Truck capacity*Collaboration 0,274 Full truck*Collaboration 0,729 Error Total S = 5,19501 R-Sq = 46,83% R-Sq(adj) = 42,50%


Residual

Percent

20100-10-20

99,99

99

90

50

10

1

0,01

Fitted Value

Residual

20100

10

0

-10

Residual

Frequency

12840-4-8-12

80

60

40

20

0

Observation Order

Residual

9008007006005004003002001001

10

0

-10



Residual Plots for Stock Coverage

1.2.2. ANOVA pour le fill rate « Retailer to Store »


Analysis of Variance for Fill rate - Retailer to Store, using Adjusted SS for Tests Source DF Seq SS Adj SS Adj MS F Dem Difference 2 0,011970 0,011970 0,005985 1,84 Dem Variance 2 0,023391 0,023391 0,011695 3,59 Lead Time 2 0,011495 0,011495 0,005747 1,77 Min truck utilization 2 0,758398 0,758398 0,379199 116,46 Truck capacity 2 0,873437 0,873437 0,436719 134,13 Full truck 1 0,774880 0,774880 0,774880 237,99 Collaboration 1 2,814653 2,814653 2,814653 864,47 Dem Difference*Dem Variance 4 0,003869 0,003869 0,000967 0,30 Dem Difference*Lead Time 4 0,009507 0,009507 0,002377 0,73 Dem Difference*Min truck utilization 4 0,026077 0,026077 0,006519 2,00 Dem Difference*Truck capacity 4 0,019223 0,019223 0,004806 1,48 Dem Difference*Full truck 2 0,011058 0,011058 0,005529 1,70


IX

Dem Difference*Collaboration 2 0,009198 0,009198 0,004599 1,41 Dem Variance*Lead Time 4 0,011472 0,011472 0,002868 0,88 Dem Variance*Min truck utilization 4 0,014706 0,014706 0,003677 1,13 Dem Variance*Truck capacity 4 0,020681 0,020681 0,005170 1,59 Dem Variance*Full truck 2 0,005204 0,005204 0,002602 0,80 Dem Variance*Collaboration 2 0,011327 0,011327 0,005664 1,74 Lead Time*Min truck utilization 4 0,009290 0,009290 0,002322 0,71 Lead Time*Truck capacity 4 0,009820 0,009820 0,002455 0,75 Lead Time*Full truck 2 0,003634 0,003634 0,001817 0,56 Lead Time*Collaboration 2 0,003302 0,003302 0,001651 0,51 Min truck utilization*Truck capacity 4 0,008059 0,008059 0,002015 0,62 Min truck utilization*Full truck 2 0,012077 0,012077 0,006038 1,85 Min truck utilization*Collaboration 2 0,007702 0,007702 0,003851 1,18 Truck capacity*Full truck 2 0,004952 0,004952 0,002476 0,76 Truck capacity*Collaboration 2 0,000144 0,000144 0,000072 0,02 Full truck*Collaboration 1 0,009450 0,009450 0,009450 2,90 Error 898 2,923808 2,923808 0,003256 Total 971 8,402782 Source P Dem Difference 0,160 Dem Variance 0,028 Lead Time 0,172 Min truck utilization 0,000 Truck capacity 0,000 Full truck 0,000 Collaboration 0,000 Dem Difference*Dem Variance 0,880 Dem Difference*Lead Time 0,572 Dem Difference*Min truck utilization 0,092 Dem Difference*Truck capacity 0,207 Dem Difference*Full truck 0,184 Dem Difference*Collaboration 0,244 Dem Variance*Lead Time 0,475 Dem Variance*Min truck utilization 0,341 Dem Variance*Truck capacity 0,175 Dem Variance*Full truck 0,450 Dem Variance*Collaboration 0,176 Lead Time*Min truck utilization 0,583 Lead Time*Truck capacity 0,555 Lead Time*Full truck 0,573 Lead Time*Collaboration 0,602 Min truck utilization*Truck capacity 0,649 Min truck utilization*Full truck 0,157 Min truck utilization*Collaboration 0,307 Truck capacity*Full truck 0,468 Truck capacity*Collaboration 0,978 Full truck*Collaboration 0,089 Error Total S = 0,0570606 R-Sq = 65,20% R-Sq(adj) = 62,38%


X


Residual

Percent

0,20,10,0-0,1-0,2

99,99

99

90

50

10

1

0,01

Fitted Value

Residual

1,11,00,90,80,7

0,2

0,1

0,0

-0,1

-0,2

Residual

Frequency

0,150,100,050,00-0,05-0,10-0,15

80

60

40

20

0

Observation Order

Residual

9008007006005004003002001001

0,2

0,1

0,0

-0,1

-0,2



Residual Plots for Fill rate - Retailer to Store

1.2.3. ANOVA pour le taux de remplissage camion


Analysis of Variance for Truck utilization, using Adjusted SS for Tests Source DF Seq SS Adj SS Adj MS F Dem Difference 2 0,015606 0,015606 0,007803 2,93 Dem Variance 2 0,009094 0,009094 0,004547 1,71 Lead Time 2 0,006074 0,006074 0,003037 1,14 Min truck utilization 2 0,515688 0,515688 0,257844 96,98 Truck capacity 2 0,943455 0,943455 0,471727 177,42 Full truck 1 1,672036 1,672036 1,672036 628,87 Collaboration 1 1,176738 1,176738 1,176738 442,58 Dem Difference*Dem Variance 4 0,010093 0,010093 0,002523 0,95 Dem Difference*Lead Time 4 0,011401 0,011401 0,002850 1,07 Dem Difference*Min truck utilization 4 0,004956 0,004956 0,001239 0,47 Dem Difference*Truck capacity 4 0,009850 0,009850 0,002463 0,93 Dem Difference*Full truck 2 0,005544 0,005544 0,002772 1,04 Dem Difference*Collaboration 2 0,003497 0,003497 0,001748 0,66 Dem Variance*Lead Time 4 0,005679 0,005679 0,001420 0,53 Dem Variance*Min truck utilization 4 0,008290 0,008290 0,002073 0,78 Dem Variance*Truck capacity 4 0,008340 0,008340 0,002085 0,78 Dem Variance*Full truck 2 0,004261 0,004261 0,002131 0,80 Dem Variance*Collaboration 2 0,004331 0,004331 0,002165 0,81 Lead Time*Min truck utilization 4 0,007289 0,007289 0,001822 0,69 Lead Time*Truck capacity 4 0,001810 0,001810 0,000452 0,17 Lead Time*Full truck 2 0,004880 0,004880 0,002440 0,92 Lead Time*Collaboration 2 0,003262 0,003262 0,001631 0,61 Min truck utilization*Truck capacity 4 0,021054 0,021054 0,005264 1,98 Min truck utilization*Full truck 2 0,001000 0,001000 0,000500 0,19 Min truck utilization*Collaboration 2 0,004868 0,004868 0,002434 0,92 Truck capacity*Full truck 2 0,000691 0,000691 0,000346 0,13 Truck capacity*Collaboration 2 0,002984 0,002984 0,001492 0,56


XI

Full truck*Collaboration 1 0,002605 0,002605 0,002605 0,98 Error 898 2,387604 2,387604 0,002659 Total 971 6,852979 Source P Dem Difference 0,054 Dem Variance 0,181 Lead Time 0,320 Min truck utilization 0,000 Truck capacity 0,000 Full truck 0,000 Collaboration 0,000 Dem Difference*Dem Variance 0,435 Dem Difference*Lead Time 0,369 Dem Difference*Min truck utilization 0,761 Dem Difference*Truck capacity 0,448 Dem Difference*Full truck 0,353 Dem Difference*Collaboration 0,518 Dem Variance*Lead Time 0,711 Dem Variance*Min truck utilization 0,539 Dem Variance*Truck capacity 0,536 Dem Variance*Full truck 0,449 Dem Variance*Collaboration 0,443 Lead Time*Min truck utilization 0,602 Lead Time*Truck capacity 0,954 Lead Time*Full truck 0,400 Lead Time*Collaboration 0,542 Min truck utilization*Truck capacity 0,096 Min truck utilization*Full truck 0,829 Min truck utilization*Collaboration 0,401 Truck capacity*Full truck 0,878 Truck capacity*Collaboration 0,571 Full truck*Collaboration 0,323 Error Total S = 0,0515636 R-Sq = 65,16% R-Sq(adj) = 62,33%


XII


Residual

Percent

0,20,10,0-0,1-0,2

99,99

99

90

50

10

1

0,01

Fitted Value

Residual

1,11,00,90,8

0,2

0,1

0,0

-0,1

Residual

Frequency

0,160,120,080,040,00-0,04-0,08-0,12

80

60

40

20

0

Observation Order

Residual

9008007006005004003002001001

0,2

0,1

0,0

-0,1



Residual Plots for Truck utilization

Master Recherche Génie Industriel Spécialité...

Documents

Transcript of Master Recherche Génie Industriel Spécialité...